Chapitre 3. Modélisation Des Risques Assurantiels

Assurance non-vie
Chapitre 3. Modélisation des risques assurantiels
EL ATTAR Abderrahim
- BasesActuariat
d’Actuariatde
del'Assurance
l'Assurance non-vie
non-vie
02/12/2020
02/12/2020 1
Chapitre 3. Modélisation des risques assuranciels
3.1. Lois usuelles modélisant le nombre de sinistres :

 Loi de Poisson
 Loi Binomiale
 Loi Binomiale négative
3.2. Lois usuelles modélisant les charges des sinistres :
 Loi Exponentielle
 Loi de Pareto
 Loi de Weibull
 Loi Log-normale
 Loi Gamma
3.3. Modélisation de la charge totale des sinistres
 Modèle individuel
 Modèle collectif
 Lois composées
 Lois de Poisson composée et mélange composée
02/12/2020 Actuariat de l'Assurance non-vie 2

3.1. Lois usuelles modélisant le nombre de sinistres
3.1.1. Loi de Poisson
La loi de Poisson de paramètre   0 notée P    est la loi d’une

variable X à valeurs entières telle que :
 
k
P X  k  e 
, k 0
k!
C'est la probabilité qu'il existe exactement occurrences (étant un entier

naturel, k  0,1, 2 ).
o L’espérance et la variance de la loi de Poisson sont égales.
E  X   Var  X   


3.1.1. Loi de Poisson
o La fonction génératrice des moments d'une loi de Poisson est :
 
M X  t   E  etX   exp   et  1 .
o Théorème : stabilité de la loi de Poisson par la somme.
Si X ~ P    et Y ~ P    sont indépendantes, alors
X  Y ~ P    

3.1.2. Loi binomiale
On utilise principalement la loi binomiale dans la situation suivante :

on a une répétition de n épreuves indépendantes suivant une épreuve de
Bernoulli de paramètre n et p.
L’épreuve de Bernoulli
Une épreuve de Bernoulli est une expérience aléatoire qui n’a que deux issues
possibles : (soit existe un sinistre ou n’existe pas). Chacune de ces issues a
une probabilité déterminée de survenir.
La loi de probabilité associée à l’expérience est une loi de Bernoulli.


Soit  une variable aléatoire définie sur X représente le résultat d’une

expérience aléatoire.
On dit que X suit une loi binomiale de paramètre n   * et p  0;1

lorsque : X    0;1;...; n
k  0;1;...; n , P  X  k   Cnk p k (1- p ) n -k
Noté parfois X ~ B  n; p 


Proposition :
o L’espérance et la variance de la loi de binomiale sont égales
respectivement : E  X   np et Var  X   np 1  p 
o La fonction génératrice des moments d'une loi de binomiale est :
M X  t   E  etX    q  pet 
n
Théorème : stabilité additive de la loi binomiale
Si X  B  m; p  et Y  B  n; p  avec X et Y sont indépendantes, alors
X  Y  B  n m; p 

3.1.3. Loi binomiale négative

La loi binomiale négative est la loi de probabilité de la variable aléatoire X
qui comptabilise le nombre d'échecs nécessaires avant obtention de n
succès, sachant que la probabilité d'un succès est p .


La loi de probabilité d'une variable aléatoire distribuée selon une binomiale

négative de paramètres n et p , notée NegBin  n, p  , prend la forme
suivante :
 k  n  1 n k
P  X  k   f ( k ; n, p )    p q , pour k  0, 1, 2, ... avec q  1 p
 n 1 
Le coefficient binomial est :
 k  n  1 n 1 (k  n  1)!
   c 
k ! n  1 !
n  k 1
 n  1 


Proposition :
o L’espérance et la variance de la loi de binomiale négative sont égales

respectivement :
 q  q 
EX   n  et Var  X    n 2 
 p  p 
o La fonction génératrice des moments d'une loi de Poisson est :

n
 p 
M X  t   E  etX    t 
 1  qe 


Théorème : somme de deux lois binomiales négatives

La somme de deux lois binomiales négatives de paramètres respectifs  n1 , p 
et  n2 , p  est une loi binomiale négative de paramètre  n1  n2 , p  .
Si X  NegBin  n1 ; p  et Y  NegBin  n2 ; p 
avec X et Y indépendante, alors
X  Y  NegBin  n1  n2 , p 

3.2. Lois usuelles modélisant les charges des sinistres
3.2.1. Loi exponentielle
On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre  0

si elle admet pour densité de probabilité la fonction :
f x  x   e x , x  0
Notée X ~ Exp   
La fonction de répartition est donnée par :
FX  x   1  e x

3.2.1. Loi exponentielle
Propositions :
1 1
o L’espérance : E  X   et la variance : Var  X   .
 2
o La fonction génératrice est donnée par :

  t    etx   , t 
 t
o La sommes de variables aléatoires exponentielles indépendantes est une

variable aléatoire suit une loi Gamma .

3.2.2. Loi de Pareto
Une variable aléatoire X suit une loi de Pareto de paramètres  , x0 

*
 si
elle admet pour densité de probabilité la fonction :
 ax0a

f X  x, a, x0    x a 1 si x  x0

0 si x0  x
Notée X Pareto  a, x0 

a
x 
FX  x, x0 , a   1   0  x  x0  0
 x

3.2.2. Loi de Pareto
L’espérance et la variance de X sont données respectivement par :

ax ax02
E  X   0 , si a  1 et  2
X   , si a  2
a 1  a  1  a  2 
2
Remarques :
o Cette loi ne prend des valeurs qu’au-delà d’un certain seuil pour les coûts de
sinistres.
o Utilisation fréquente en réassurance.
o La fonction génératrice de la loi de Pareto est non définie pour les réels
strictement positifs.

3.2.3. Loi de Weibull
Une variable aléatoire X suit une loi de Weibull de paramètres  ,   *


si elle admet pour densité de probabilité la fonction :
  x 1e   x  si x  0,

fX  x  
0 si x  0.
Notée X W  ,   .


FX  x,  ,    1  e
  x 

3.2.3. Loi de Weibull
1  1 1   2 2
EX    1   et  2 X         
 2     
1 E X
   
 désigne la fonction Gamma d'Euler définie par :  : x t x 1

0
e t dt
 k
La Fonction génératrice des moments : mX  k   E  X  
1
k
 
 n   
1


3.2.4. Loi log normale
Une variable aléatoire continue X est dite suivre une loi Log-normale de
paramètres   et   *
 si la variable Y  ln  X  suit une loi Normale
d'espérance   et de variance  
*
 .
Notée : Y LogN (  ;  2 )
Elle admet alors pour densité de probabilité la fonction :
1 
1
 ln  x    2
fY  x   2
, x
2
e
x 2
Fonction de répartition : FY  x   FX  ln x  ; si x  0
où FX  x  est la fonction de répartition de la loi Normale.

3.2.4. Loi log normale
L’espérance et la variance de Y sont données respectivement par :
 
2

E Y   e  2 Y   e  1 e 2  
2 2
2 et
Remarque : la fonction génératrice de la loi Log normale est non

définie pour les réels strictement positifs.
Particularités :
o Pas de sinistre à valeur négative ;
o Plus adaptée à la modélisation des coûts de sinistres.

3.2.5. Loi Gamma
Une variable aléatoire X suit une loi Gamma ou eulérienne de paramètres

,  *
 si elle admet pour densité de probabilité la fonction :
 
 x 1e   x si x  0,
f X  x      

0 si x  0.
Notée X GA  ,   .

3.2.5. Loi Gamma
 
EX   et  2 X  
 2
La fonction génératrice des moments

k
 x
mX  k   E  X k   1   , x  
 
Remarque : La loi GA 1,    ex    est la loi Exponentielle de paramètre  .

3.3.1. Modèle individuel
Soit X i , i  1,..., n  le montant cumulé des sinistres payé au ième risque, pour
la période d’assurance.
Dans le modèle individuel, la charge totale de sinistres pour un
portefeuille de n risques (n est non aléatoire) est donc
n
Sind   X i
i 1
Les X i sont indépendantes, i  1,..., n  , mais pas forcément de même loi.

3.3.1. Modèle individuel
X i1,...,n : Variables aléatoires i.d, mais pas forcément de même loi.

n
n: est non aléatoire
Sind   X i
i 1
n n
E  Sind    E  X i  et Var  Sind   Var  X  ( l’indépendance des sinistres)
i
i 1
i 1
Gind  x   p  Sind  x   F1  F2 ....  Fn  x 

Gind et Fi sont respectivement : la fonction de répartition de S ind et X i ,i  1,..., n
Calcul de Gind où n ?


3.3.2. Modèle collectif
Le calcul direct de S ind est assez difficile en général ou presque impossible,

alors le modèle individuel étant souvent difficile à utiliser numériquement.
Le modèle collectif permet d’approximer le modèle individuel à cause

de simplification de son calcul sous certaines conditions.
Le modèle collectif permet d’approcher la loi de la charge total des sinistres.

Dans ce modèle, le nombre de sinistres N des sinistres est considéré une
variable aléatoire dans .
X i1,..., N  : Variables aléatoires i.i.d, de même loi.
N : Variable aléatoire à valeur dans .


3.3.3. Lois composées

N
L’espérance et la variance de la loi composée S  X i 1
i :
E  S   E  N  .E  X i 
Var  S   E  N  .Var  X i   Var  N  .E  X i 

2


3.3.3. Lois composées
Loi de Poisson composée

Cas discret :
N : Variable aléatoire suit la loi de Poisson de paramètre λ .
E  S    E  X i  et Var  S    E  X i 2 
Cas continu :
N  t  : Variable aléatoire suit un processus de Poisson de paramètre λ t.

E  S  t    tE  X i  et Var  S  t    tE  X i 2 


3.3.4. Lois de Poisson mélange
La loi de Poisson modélise mal le nombre de sinistres d’un portefeuille en

raison de l’hétérogénéité des assurés.
Pour tenir compte de l’hétérogénéité du portefeuille, on peut considérer

que le nombre moyen de sinistres varie d’un assuré à l’autre. Il est alors
une variable aléatoire  , avec  constante et E    1 .
Dans ce cas N suit la loi de poisson mélange, N PM  , 
E  N    E    et Var  N   Var      2Var   


3.3.4. Lois de Poisson mélange
Lois de Poisson mélange composée
Si N suit la loi de poisson mélange, N PM  ,  et  X i i 1,...,N une suite de
variables aléatoires i.i.d, et indépendantes du N .
N
La variable S   X i (avec S  0 si N  0 ), est modélisé par la loi de Poisson
i 1
mélange composée de caractéristiques  , X i  .
o Espérance : E  S   E  N  .E  X i    E    .E  X i   .E  X i 
o Variance : E  S   E  N  .Var  X i   Var  N  .E  X i 2

 E    .Var  X i   Var    .E  X i 
2
 Var  X i    2Var    .E  X i 
2


3.3.4. Méthodes d’approximation de la loi de S collective
Il existe un certain nombre de techniques permettent d’approximer la loi

de la charge globale de sinistres dans le modèle collectif :
Les formules sur les moments, les transformées de Laplace et les fonctions
génératrices qui permettent d’ailleurs de retrouver les formules sur les
moments par d’évirations successives. On a aussi Approximation normale,
l’approximation d’Edgeworth, l’approximation Normal Power, la Fast
Fourier Transform (FFT) et l’approximation Gamma de Bowers.
L'algorithme de Panjer qui permet de trouver, sous forme récursive, la
N
fonction de probabilité de la variable aléatoire S coll  S
i 1
i .


3.3.4. Méthodes d’approximation de la loi de S collective
 S  E S  x  E S  
Approximation normale: FS  x   P  S  x   P   
 Var  S  Var  S  
La partie gauche de l’inégalité converge vers une loi normale centrée réduite
(théorème central limite). La partie gauche de l’inégalité correspond au
x  E N  E  Xi 
( en utilisant la loi composée).
2

Var  N  E  X i   E  N  E  X   E  X i 
i
2 2

Alors la fonction de répartition de S est approximée par:
 
 x  E N E  Xi  
FS  x   
 
 Var  N  E  X i   E  N  E  X i2   E  X i 
2 2
 


Références :
[1] Besson & Partrat (2004), Assurance non-vie: Modélisation, simulation,

Collection : Assurance - Audit – Actuariat, Economica.
[2] Charpentier (2014), Approches statistiques du risque, chapitre 3:
Mesures de risque, Éditions Technip, Paris.
[3] Denuit & Charpentier (2004), Mathématiques de l’assurance non vie, tome 1:
Principes fondamentaux de théorie du risqué, Economica.
[4] Frédéric PLANCHET, Assurance non-vie, Le modèle collectif, Support
de cours 2003-2004 .

Chapitre 3. Modélisation Des Risques Assurantiels

Transféré par

Informations du document

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 ?

Droits d'auteur :

Formats disponibles

Chapitre 3. Modélisation Des Risques Assurantiels

Transféré par

Droits d'auteur :

Formats disponibles

Assurance non-vie

Chapitre 3. Modélisation des risques assurantiels

3.1. Lois usuelles modélisant le nombre de sinistres :

02/12/2020 Actuariat de l'Assurance non-vie 2

3.1. Lois usuelles modélisant le nombre de sinistres

3.1.1. Loi de Poisson

La loi de Poisson de paramètre   0 notée P    est la loi d’une

C'est la probabilité qu'il existe exactement occurrences (étant un entier

o L’espérance et la variance de la loi de Poisson sont égales.

02/12/2020 Actuariat de l'Assurance non-vie 3

3.1. Lois usuelles modélisant le nombre de sinistres

o La fonction génératrice des moments d'une loi de Poisson est :

o Théorème : stabilité de la loi de Poisson par la somme.

Si X ~ P    et Y ~ P    sont indépendantes, alors

02/12/2020 Actuariat de l'Assurance non-vie 4

3.1. Lois usuelles modélisant le nombre de sinistres

3.1.2. Loi binomiale

On utilise principalement la loi binomiale dans la situation suivante :

02/12/2020 Actuariat de l'Assurance non-vie 5

3.1. Lois usuelles modélisant le nombre de sinistres

Soit  une variable aléatoire définie sur X représente le résultat d’une

On dit que X suit une loi binomiale de paramètre n   * et p  0;1

k  0;1;...; n , P  X  k   Cnk p k (1- p ) n -k

02/12/2020 Actuariat de l'Assurance non-vie 6

3.1. Lois usuelles modélisant le nombre de sinistres

Théorème : stabilité additive de la loi binomiale

Si X  B  m; p  et Y  B  n; p  avec X et Y sont indépendantes, alors

02/12/2020 Actuariat de l'Assurance non-vie 7

3.1. Lois usuelles modélisant le nombre de sinistres

3.1.3. Loi binomiale négative

02/12/2020 Actuariat de l'Assurance non-vie 8

3.1. Lois usuelles modélisant le nombre de sinistres

La loi de probabilité d'une variable aléatoire distribuée selon une binomiale

Le coefficient binomial est :

02/12/2020 Actuariat de l'Assurance non-vie 9

3.1. Lois usuelles modélisant le nombre de sinistres

o L’espérance et la variance de la loi de binomiale négative sont égales

o La fonction génératrice des moments d'une loi de Poisson est :

02/12/2020 Actuariat de l'Assurance non-vie 10

3.1. Lois usuelles modélisant le nombre de sinistres

Théorème : somme de deux lois binomiales négatives

02/12/2020 Actuariat de l'Assurance non-vie 11

3.2. Lois usuelles modélisant les charges des sinistres

3.2.1. Loi exponentielle

On dit qu’une variable aléatoire X suit la loi exponentielle de paramètre  0

La fonction de répartition est donnée par :

02/12/2020 Actuariat de l'Assurance non-vie 12

3.2. Lois usuelles modélisant les charges des sinistres

3.2.1. Loi exponentielle

o La sommes de variables aléatoires exponentielles indépendantes est une

02/12/2020 Actuariat de l'Assurance non-vie 13

3.2. Lois usuelles modélisant les charges des sinistres

3.2.2. Loi de Pareto

Une variable aléatoire X suit une loi de Pareto de paramètres  , x0 

La fonction de répartition est donnée par :

02/12/2020 Actuariat de l'Assurance non-vie 14

3.2. Lois usuelles modélisant les charges des sinistres

3.2.2. Loi de Pareto

L’espérance et la variance de X sont données respectivement par :

02/12/2020 Actuariat de l'Assurance non-vie 15

3.2. Lois usuelles modélisant les charges des sinistres

3.2.3. Loi de Weibull

Une variable aléatoire X suit une loi de Weibull de paramètres  ,   *