ACT2250 Chap 2 2

ACT2250: Mathématiques de l’assurance-vie 1
Chapitre 2
Maciej Augustyniak, PhD, FSA, AICA
Département de mathématiques et de statistique
Maciej Augustyniak ACT2250 Chapitre 2 1 / 39

Introduction
Dans le chapitre 1, nous avons appris comment calculer des

probabilités de survie et de décès à partir d’un modèle de survie qui
nous était donné.
Nous allons maintenant apprendre comment calculer des

probabilités de survie et de décès à partir de données sur la
mortalité d’une population.
Pour modéliser la mortalité d’une population, des démographes et

des actuaires construisent des tables de mortalité. Ces tables se
basent sur une population donnée et indiquent le nombre de
survivants et de décès à chaque année.

CHAPITRE 2
Tables de mortalité
Référence principale
Actuarial Mathematics for Life Contingent Risks, 2e édition, 2013.
Dickson, Hardy, et Waters. Chapitre 3.
Autres références
Models for Quantifying Risk, 6e édition, 2014.
Cunningham, Herzog, et London. Chapitre 6 (excl. 6.5).
Actuarial Mathematics, 2e édition, 1997.
Bowers, Gerber, Hickman, Jones, et Nesbitt. Chapitre 3.

Table de mortalité
Considérons une cohorte de lx0 individus d’âge x0 . Une table de
mortalité indique le nombre de survivants et le nombre de décès à
chaque âge entier x ≥ x0 .
Définition (lx )
Le symbole lx représente le nombre de survivants parmi cette cohorte
à l’âge x.
Définition (dx )
Le symbole dx représente le nombre de décès dans cette cohorte entre
l’âge x et x + 1. Le nombre de décès entre x et x + n est dénoté par
n dx . Nous avons les relations suivantes :
n dx = lx − lx+n
= dx + dx+1 + . . . + dx+n−1 .
Table de mortalité
Exemple Excel
Illustrative Life Table : Table-de-mortalite.xlsx
Considérons un individu d’âge x.
Comment peut-on construire un modèle de survie pour cet individu
à partir d’une table de mortalité ?
Quelle hypothèse est nécessaire afin que le modèle de survie soit
adéquat ?
Modèle de survie à partir d’une table de mortalité

t px = lx+t /lx
qx = dx /lx
n| qx = dx+n /lx
Probabilités de décès en fonction de l’âge aux États-Unis en 2002
pour les hommes (ligne pointillée) et les femmes (ligne pleine)

Tendances dans les probabilités de décès
La valeur de q0 est relativement élevée.
Les probabilités de décès décroissent entre l’âge 0 et 10.
Les taux de mortalité pour les hommes augmentent beaucoup plus
rapidement que ceux des femmes entre l’âge 10 et 20.
Les taux de mortalité prennent la forme d’une bosse (hump) à la
fin de l’adolescence. Cette bosse est le résultat d’un taux élevé de
décès accidentels.
Entre les âges 20 et 30, les taux de mortalité sont relativement
stables.
Après l’âge de 30 ans, les taux de mortalité croissent de manière
stable. Cette croissance est exponentielle puisque l’axe des y est
sous une échelle logarithmique. Par exemple, on pourrait utiliser la
loi de Gompertz pour modéliser la mortalité dans ces âges.
Les taux de mortalité sont moins élevés pour les femmes.
Exemples
Exemple (AMLCR Exemple 3.1)
x lx dx
30 10 000.00 34.78
31 9 965.22 38.10
32 9 927.12 41.77
33 9 885.35 45.80
34 9 839.55 50.26
35 9 789.29 55.17
36 9 734.12 60.56
37 9 673.56 66.49
38 9 607.07 72.99
39 9 534.08 80.11
1 Calculez : l40 , 10 p30 , q35 , et 5 q30 .

2 La probabilité qu’un individu de 30 ans décède durant sa 36e
année de vie.
Exemples
Solution :
(i) l40 = l39 − d39 = 9 534.08 − 80.11 = 9 453.97
l40 9 453.97
(ii)
10 p30 = = = 0.9454
l30 10 000
d35 55.17
(iii) q35 = = = 0.005636
l35 9 789.29
5 d30 34.78 + 38.10 + 41.76 + 45.81 + 50.26

(iv)
5 q30 = = = 0.02107
l30 10 000
l35 d35 d35 55.17

(v)
5| q30 = 5 p30 · q35 = · = = = 0.005517
l30 l35 l30 10 000

Exemples
Exemple
Complétez la table de mortalité suivante.
x lx dx px qx
0 50 0.6
1 0.5
2 2
3
4 9 − − −
Exemple
Trouvez l5 si : l1 = 9700, q1 = q2 = 0.02, q4 = 0.026, et d3 = 232.

Modèle de survie pour un groupe
En pratique, une compagnie d’assurance-vie vend des produits à un
groupe de personnes et doit donc avoir un modèle de survie pour ce
groupe.
Supposons que la compagnie assure lx individus d’âge x. Le nombre

d’individus qui survivent jusqu’à l’âge x + t est une variable aléatoire
que l’on définit comme suit :
lx
X
Lx (t) = Ij , où
j=1

1,
si l’individu j survit jusqu’à l’âge x + t;
Ij = 
0, sinon.

Notons que :
E(Ij ) = 1 · t px + 0 · t qx = t px ,
lx
X
E(Lx (t)) = t px = lx · t px = lx+t .
j=1
Remarque
Ces deux équations impliquent qu’on peut formuler une interprétation
probabiliste de la table de mortalité. Au lieu que lx+t représente le
nombre de survivants d’une cohorte donnée à l’âge x + t, on peut
également interpréter ce symbole comme étant l’espérance du nombre
de survivants à l’âge x + t parmi un groupe de lx individus d’âge x.
Question
Pouvez-vous formuler une interprétation probabiliste du symbole dx ?
Lien avec la loi binomiale
De plus, si les temps de vie future (Tx ) de tous les individus sont
indépendants, alors Lx (t) suit une loi binomiale telle que,
Lx (t) ∼ Bin(lx , t px )
E(Lx (t)) = lx · t px = lx+t
Var(Lx (t)) = lx · t px · (1 − t px )
Approximation normale
Si lx est suffisamment grand, le théorème central limite implique,
Lx (t) − lx · t px
q ∼ N (0, 1)
lx · t px · (1 − t px )
Exemple
l0 l10 l40 l60
100 98 93 85
La modélisation de la mortalité d’un groupe de 1 000 nouveau-nés

(indépendants) est basée sur la table de mortalité ci-haut.
(a) Trouvez la distribution du nombre d’individus survivant jusqu’à 60
ans.
(b) Calculez la probabilité que le nombre d’individus survivant jusqu’à
60 ans est supérieur ou égal à 875.
(c) Trouvez la distribution du nombre d’individus décédant entre les
âges 10 et 40.
(d) Calculez le coefficient de corrélation entre le nombre d’individus
survivant jusqu’à 60 ans et le nombre d’individus décédant entre
les âges 10 et 40.

Hypothèse sur la mortalité entre deux âges entiers
Nous avons vu qu’il est possible de formuler un modèle de survie à

partir d’une table de mortalité. Cependant, ce modèle nous restreint à
considérer des âges entiers seulement.
Dit autrement, nous obtenons un modèle pour la variable aléatoire

Kx , c-à-d, un modèle pour le nombre d’années entières survécues par
un individu d’âge x.
Pour étendre ce modèle à la variable aléatoire Tx , il faut préciser une

hypothèse sur la mortalité entre deux âges entiers.

Hypothèse DUD
Définition (Hypothèse DUD)
L’hypothèse de distribution uniforme des décès (DUD) stipule que,
lx+s = (1 − s) · lx + s · lx+1 , 0 ≤ s ≤ 1,
c-à-d, lx+s est obtenue par une interpolation linéaire entre les deux
âges entiers les plus proches. Cette relation implique également :
lx+s = lx − s(lx − lx+1 ) = lx − sdx , et
lx − lx+s sdx
s qx = = = sqx , 0 ≤ s ≤ 1.
lx lx
Par conséquent, sous l’hypothèse DUD, la probabilité de décès est
proportionnelle à la fraction de l’année s, ou encore, les décès sont
distribués uniformément dans l’année.
Hypothèse DUD
Sous l’hypothèse DUD, nous avons pour tout âge entier x,
s qx
µx = lim+ = qx , et
s→0 s
d
s qx = qx , 0 < s < 1,
ds
ce qui nous permet d’écrire
s px µx+s = qx , 0 ≤ s < 1,
et donc d’obtenir une expression explicite pour la force de mortalité à
tous les âges, entiers ou fractionnaires,
qx qx
µx+s = = , 0 ≤ s < 1.
s px 1 − sqx
Par conséquent, sous l’hypothèse DUD, la force de mortalité est
généralement croissante avec l’âge, mais affiche des discontinuités
aux âges entiers.
Hypothèse DUD
Étant donné que nous avons une expression explicite pour la force de
mortalité, nous connaissons la distribution de la variable aléatoire Tx .
L’hypothèse DUD nous permet donc d’étendre un modèle pour Kx
vers un modèle pour Tx .
Soit fx (t), la densité de probabilité de Tx évaluée à t ∈ (0, ω − x).
Sous l’hypothèse DUD, si t = k + s où k = btc et 0 ≤ s < 1 :
fx (t) = k+s px µx+k+s

= k px · s px+k µx+k+s
= k px · qx+k , car 0 ≤ s < 1
= Pr(Kx = k) = Pr(Kx = btc).
Cette densité prend la forme d’un escalier : elle est constante entre
les âges entiers, mais discontinue à chacun de ces âges.
Hypothèse DUD
De plus, nous pouvons exprimer fx (t) en fonction des données
disponibles dans une table de mortalité :
lx+k dx+k dx+k
fx (t) = k px · qx+k = · = .
lx lx+k lx
Finalement, sous l’hypothèse DUD, la fonction de répartition de Tx
satisfait :
Fx (t) = k+s qx
= k qx + k px · s qx+k
= k qx + s · k px qx+k
1
= (k dx + s · dx+k ) .
lx

Hypothèse DUD
Sous l’hypothèse DUD, démontrez que la force de mortalité est
généralement une fonction discontinue aux âges entiers.
Solution : Nous avons
qx qx qx
lim− µx+s = lim− = =
s→1 s→1 1 − sqx 1 − qx px
et
µx+1 = lim+ µx+s = qx+1 .
s→1
Pour que la force de mortalité soit une fonction continue, il faudrait
que la relation suivante soit satisfaite pour tous les âges entiers x,
qx = px qx+1 = 1| qx ,
et donc que Tx soit de loi de Moivre (uniforme). Cependant,
généralement nous observons qx < 1| qx .
Hypothèse DUD
Considérez la table de mortalité de l’exemple à la page 8. Calculez
1.7 q33 et 1.7 q33.5 sous DUD.
Solution :
1.7 q33 = q33 + p33 · 0.7 q34 = q33 + 0.7 · p33 q34
d33 + 0.7d34 45.80 + 0.7 · 50.26
= = = 0.008192
l33 9 885.35
l35.2 0.8l35 + 0.2l36

1.7 q33.5 =1− =1− = 0.008537
l33.5 0.5l33 + 0.5l34

Si q70 = 0.010413 et q71 = 0.011670, calculez 0.7 q70.6 sous DUD.
Hypothèse DUD
Théorème
Soit Sx = Tx − Kx , la variable aléatoire représentant la fraction de
l’année vécue dans l’année du décès. Sous l’hypothèse DUD, Sx et Kx
sont indépendantes et Sx ∼ U(0, 1).
Démonstration
Pour tout 0 ≤ s < 1 et k = 0, 1, . . . , ω − x − 1 :
Pr({Sx ≤ s} ∩ {Kx = k})

Pr(Sx ≤ s | Kx = k) =
Pr(Kx = k)
Pr(k ≤ Tx ≤ k + s)
=
Pr(Kx = k)
k px s qx+k
=
k px qx+k
= s, 0 ≤ s < 1.
Hypothèse DUD
La décomposition Tx = Kx + Sx , nous permet de relier les moments

de Kx à ceux de Tx . Sous l’hypothèse DUD, nous avons
o
e x = E(Kx ) + E(Sx )
1 ω−x−1
X 1
= ex + = k px + ,
2 k=1 2
et,
Var(Tx ) = Var(Kx ) + Var(Sx )

" ω−x−1 #
X
2 1
= 2 k k px − ex − (ex ) + .
k=1 12

Hypothèse DUD
Exemple
o o
Sous DUD, calculez e x:2 et e x:1.4 , si qx = 0.05 et qx+1 = 0.1.
Z 1 Z 1
Solution : eo = eo + px eo
x:2 x:1 x+1:1 = t px dt + px t px+1 dt
0 0
Z 1 Z 1
= (1 − tqx )dt + px (1 − tqx+1 )dt
0 0
= (1 − qx /2) + px (1 − qx+1 /2) = 1.8775

Z 1 Z 0.4
o
e x:1.4 = (1 − tqx )dt + px (1 − tqx+1 )dt = 1.3474
0 0
Remarque
o o
e x:n 6= ex:n + 1/2. Nous avons plutôt e x:n = ex:n + n qx /2.
Hypothèse FMC
Définition (Hypothèse FMC)
L’hypothèse force de mortalité constante (FMC) stipule que,
µx+s = − log px , 0 ≤ s < 1.
Par conséquent, la force de mortalité µx prend la forme d’un escalier,

car elle est constante entre les âges entiers, mais discontinue à
chacun de ces âges. Cette relation implique également :
s px = s px+t = (px )s , 0 ≤ s ≤ 1 et t + s ≤ 1, et
lx+s = lx · (px )s , 0 ≤ s ≤ 1,
car Rs Rs
−
s px = e 0
µx+v dv
= e− 0
µx+t+v dv
= s px+t
= e s log px = (px )s .
Hypothèse FMC
Sous l’hypothèse FMC, nous avons,
s px µx+s = −(px )s log px , 0 ≤ s < 1,
ce qui nous permet d’obtenir la densité de probabilité de Tx , soit,
fx (t) = k+s px µx+k+s

= k px · s px+k µx+k+s
= k px · −(px+k )s log px+k ,
où t = k + s, k = btc et 0 ≤ s < 1.
La densité de probabilité affiche des discontinuités aux âges entiers,

mais, contrairement à ce qui a été observé sous l’hypothèse DUD,
elle n’est plus constante entre les âges entiers.
Hypothèse FMC
Exemple
Sous l’hypothèse FMC, démontrez que les variables aléatoires Kx et
Sx sont indépendantes si et seulement si px+k ne dépend pas de k. Si
Kx et Sx sont indépendantes, quelle est la distribution de Tx ?
Solution : Nous avons
Pr(k ≤ Tx ≤ k + s) k px s qx+k
Pr(Sx ≤ s | Kx = k) = =
Pr(Kx = k) k px qx+k
1 − s px+k 1 − (px+k )s
= = , 0 ≤ s < 1,
1 − px+k 1 − px+k
qui ne dépend pas de k si et seulement si px+k ne dépend pas de k.
Notez que si px+k = px , pour k = 0, 1, . . ., alors la force de mortalité
est nécessairement constante : ∀t > 0, µx+t = − log px . Dans ce cas,
Tx est de loi exponentielle de moyenne −1/ log px .
Hypothèse FMC
Si p40 = 0.999473, calculez 0.4 q40.2 sous l’hypothèse FMC.
Solution :
0.4 q40.2 = 1 − 0.4 p40.2 = 1 − 0.4 p40 = 1 − (p40 )0.4 = 0.00021083

Si q70 = 0.010413 et q71 = 0.011670, calculez 0.7 q70.6 sous
l’hypothèse FMC.
Solution :
0.7 q70.6 = 1 − 0.7 p70.6 = 1 − 0.4 p70.6 · 0.3 p71
= 1 − (p70 )0.4 · (p71 )0.3 = 0.007679

Table de mortalité sélecte
Pour qu’une table de mortalité nous permette de modéliser

adéquatement la mortalité d’un groupe d’individus, il faut qu’elle
soit réprésentative de ce groupe.
Par exemple, une table de mortalité pour la population canadienne

n’est pas appropriée pour modéliser la mortalité d’un groupe de
fumeurs dans l’état de la Californie aux États-Unis.
Lorsqu’un individu achète un produit d’assurance, il y a

généralement un processus de sélection : questionnaire médical,
examen médical, analyse de sang, analyse d’urine, etc. Si l’individu
passe tous les tests, il est considéré en bonne santé et ses chances
de survie sont donc plus élevées que la moyenne. On dira d’un tel
individu qu’il est un « bon risque » (good risk).

Une table de mortalité agrégé est une table de mortalité qui ne fait
aucune distinction entre les individus qui ont passé ou non un
processus de sélection.
Utiliser une table agrégé pour modéliser la mortalité d’un bon
risque peut conduire à une sur-estimation de ce risque, et donc à
une prime trop élevée dans un produit d’assurance. Si la prime est
trop élevée, il y a de fortes possibilités que le bon risque décide de
s’assurer chez un compétiteur.
Ceci nous amène à considérer la table de mortalité sélecte où les
probabilités de décès dépendent non seulement de l’âge de la
personne, mais également de son âge lors du processus de
sélection. Par conséquent, une table de mortalité sélecte incorpore
une dimension additionnelle aux tables de mortalité vues
précédemment, soit l’âge à la sélection.
La table de mortalité suivante présente les valeurs de µx × 105 pour
un groupe d’hommes qui ont acheté une assurance-vie entre 50 et 56
ans, après avoir passé un processus de sélection.
Âge à la sélection
x 50 52 54 56
50 78 − − −
52 152 94 − −
54 240 186 113 −
56 360 295 227 136
58 454 454 364 278
60 573 573 573 448
62 725 725 725 725
Pour modéliser la mortalité de façon appropriée dans un tel exemple,

il faut considérer deux variables : l’âge de la personne (x) et l’âge à la
sélection.
Définition (Notation sélecte)
Un individu d’âge x + k sélectionné à l’âge x est dénoté [x] + k.
t p[x]+k : Probabilité qu’un individu d’âge x + k sélectionné à l’âge
x survit jusqu’à l’âge x + k + t.
t q[x]+k : Probabilité qu’un individu d’âge x + k sélectionné à l’âge

x décède avant d’atteindre l’âge x + k + t.
µ[x]+k : Force de mortalité à l’âge x + k pour une sélection qui a
eu lieu à l’âge x.
.
De plus, nous avons : t p[x]+k = l[x]+k+t l[x]+k ,
.
q[x]+k = d[x]+k l[x]+k ,
d[x]+k = l[x]+k − l[x]+k+1 .
Après une certaine période de temps, disons d années, l’effet du
processus de sélection devient moins significatif et s’estompe. À ce
moment, l’âge à la sélection est beaucoup moins important pour
expliquer la probabilité de décès et il peut donc être ignoré.
Mathématiquement, cela s’exprime par
t q[x]+k = t qx+k , k ≥ d.
Les probabilités de décès et de survie liées à un horizon plus grand

que la période de sélection d (k ≥ d) sont appelées probabilités
ultimes tandis que celles liées à un horizon plus petit (0 ≤ k < d)
sont appelées probabilités sélectes.
La table de mortalité et le modèle de survie sont donc divisés en
deux parties : partie sélecte et partie ultime.
Considérons la table de mortalité à la page 31.
Âge à la sélection
x 50 52 54 56
50 78 − − −
52 152 94 − −
54 240 186 113 −
56 360 295 227 136
58 454 454 364 278
60 573 573 573 448
62 725 725 725 725
La période de sélection est de six ans (d = 6) et la partie ultime de

cette table de mortalité est en bleu. La partie ultime dépend
seulement de l’âge de la personne et est donc indépendante de l’âge à
la sélection.
Voici un exemple d’une table de mortalité avec une partie sélecte et

une partie ultime. La période de sélection est de trois ans (d = 3).
Sélecte Ultime
x q[x] q[x]+1 q[x]+2 qx+3 x +3
20 q[20] q[20]+1 q[20]+2 q23 23

21 q[21] q[21]+1 q[21]+2 q24 24
22 q[22] q[22]+1 q[22]+2 q25 25
23 q[23] q[23]+1 q[23]+2 q26 26

Exemple
Calculez e[20]:4 avec la table de mortalité suivante qui inclut une
période de sélection de deux ans.
x 1000q[x] 1000q[x]+1 1000qx+2 x +2
20 0.222 0.330 0.422 22

21 0.234 0.352 0.459 23
22 0.250 0.377 0.500 24
23 0.269 0.407 0.545 25
24 0.291 0.441 0.596 26
Solution : e[20]:4 = p[20] + 2 p[20] + 3 p[20] + 4 p[20]

= p[20] + p[20] p[20]+1 + p[20] p[20]+1 p22 + p[20] p[20]+1 p22 p23
= 3.99682
Un modèle de survie a une période de sélection de trois ans. La partie
ultime du modèle provient de la table suivante :
x lx
70 80 556
71 79 026
72 77 410
73 75 666
74 73 802
75 71 800
De plus, pour tous les âges x ≥ 65, nous avons,

p[x] = 0.999, p[x−1]+1 = 0.998, p[x−2]+2 = 0.997.
L’exemple continue à la page suivante. . .

Exemple (. . . AMLCR Exemple 3.11)
Calculez la probabilité qu’un individu de 70 ans survive jusqu’à l’âge
75, étant donné qu’il a été sélectionné à l’âge (a) 67 et (b) 70.
Exemple (SOA MLC 2012-11 #2)

Considérez la table de mortalité sélecte et ultime suivante.
x l[x] l[x]+1 l[x]+2 lx+3 x +3
60 80 000 79 000 77 000 74 000 63
61 78 000 76 000 73 000 70 000 64
62 75 000 72 000 69 000 67 000 65
63 71 000 68 000 66 000 65 000 66
Calculez 2|3 q[60]+0.75 sous l’hypothèse FMC entre les âges entiers.
Tendances dans un modèle de survie
Dans la majeure partie du monde, l’espérance de vie des hommes et
des femmes s’est nettement améliorée pendant le dernier centenaire
grâce à l’amélioration des conditions de vie et au progrès accompli
dans le domaine médical.
Supposons qu’on veuille déterminer la probabilité de décès d’une

personne de 50 ans en 2015 et qu’on se base sur une table de
mortalité construite avec des données aux alentours de l’an 1990. Une
personne qui avait 50 ans en l’an 1990 est née en 1940 et on peut
(1940) (1965)
donc estimer q50 . Cependant, nous voulons déterminer q50 .
(1940) (1965)
Quelle est la relation entre q50 et q50 ?
Comment peut-on modéliser une telle relation ?

Langue

ACT2250 Chap 2 2

Transféré par

Informations du document

Description :

Titre original

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 ?

Description :

Droits d'auteur :

Formats disponibles

ACT2250 Chap 2 2

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

ACT2250: Mathématiques de l’assurance-vie 1

Maciej Augustyniak, PhD, FSA, AICA

Département de mathématiques et de statistique

Maciej Augustyniak ACT2250 Chapitre 2 1 / 39

Dans le chapitre 1, nous avons appris comment calculer des

Nous allons maintenant apprendre comment calculer des

Pour modéliser la mortalité d’une population, des démographes et

Maciej Augustyniak ACT2250 Chapitre 2 2 / 39

Maciej Augustyniak ACT2250 Chapitre 2 3 / 39

Modèle de survie à partir d’une table de mortalité

Maciej Augustyniak ACT2250 Chapitre 2 6 / 39

1 Calculez : l40 , 10 p30 , q35 , et 5 q30 .

5 d30 34.78 + 38.10 + 41.76 + 45.81 + 50.26

l35 d35 d35 55.17

Maciej Augustyniak ACT2250 Chapitre 2 9 / 39

Maciej Augustyniak ACT2250 Chapitre 2 10 / 39

Supposons que la compagnie assure lx individus d’âge x. Le nombre

Maciej Augustyniak ACT2250 Chapitre 2 11 / 39

E(Lx (t)) = lx · t px = lx+t

La modélisation de la mortalité d’un groupe de 1 000 nouveau-nés

Maciej Augustyniak ACT2250 Chapitre 2 14 / 39

Nous avons vu qu’il est possible de formuler un modèle de survie à

Dit autrement, nous obtenons un modèle pour la variable aléatoire

Pour étendre ce modèle à la variable aléatoire Tx , il faut préciser une

Maciej Augustyniak ACT2250 Chapitre 2 15 / 39

fx (t) = k+s px µx+k+s

Maciej Augustyniak ACT2250 Chapitre 2 19 / 39

l35.2 0.8l35 + 0.2l36

Exemple (AMLCR Exemple 3.5)

Pr({Sx ≤ s} ∩ {Kx = k})

La décomposition Tx = Kx + Sx , nous permet de relier les moments

Var(Tx ) = Var(Kx ) + Var(Sx )

Maciej Augustyniak ACT2250 Chapitre 2 23 / 39

= (1 − qx /2) + px (1 − qx+1 /2) = 1.8775

µx+s = − log px , 0 ≤ s < 1.

Par conséquent, la force de mortalité µx prend la forme d’un escalier,

s px µx+s = −(px )s log px , 0 ≤ s < 1,

ce qui nous permet d’obtenir la densité de probabilité de Tx , soit,

fx (t) = k+s px µx+k+s

où t = k + s, k = btc et 0 ≤ s < 1.

La densité de probabilité affiche des discontinuités aux âges entiers,

Exemple (AMLCR Exemple 3.7)

= 1 − (p70 )0.4 · (p71 )0.3 = 0.007679

Pour qu’une table de mortalité nous permette de modéliser

Par exemple, une table de mortalité pour la population canadienne

Lorsqu’un individu achète un produit d’assurance, il y a

Maciej Augustyniak ACT2250 Chapitre 2 29 / 39

Pour modéliser la mortalité de façon appropriée dans un tel exemple,

t q[x]+k : Probabilité qu’un individu d’âge x + k sélectionné à l’âge

Les probabilités de décès et de survie liées à un horizon plus grand

La période de sélection est de six ans (d = 6) et la partie ultime de

Voici un exemple d’une table de mortalité avec une partie sélecte et

20 q[20] q[20]+1 q[20]+2 q23 23

Maciej Augustyniak ACT2250 Chapitre 2 35 / 39

20 0.222 0.330 0.422 22

Solution : e[20]:4 = p[20] + 2 p[20] + 3 p[20] + 4 p[20]

De plus, pour tous les âges x ≥ 65, nous avons,

L’exemple continue à la page suivante. . .