1

INTRODUCTION GENERALE

Partie et branche des mathématiques, l’actuariat est l’un des domaines le plus
complexe, exigeant et à la fois rentable et pratique. Né des probabilités, des statistiques et
d’autres branches des sciences mathématiques, elle est depuis le siècle dernier l’une de plus
grandes causes des recettes explosives dans plusieurs pays de par le monde et par conséquent
de leur développement. On ne peut plus parler d’une vie de qualité sans penser à la notion
d’assurance-vie par exemple.

Pour dire que les menaces contre la vie, les biens (mobiliers et immobiliers)
sont de plus en plus fréquents. D’où la nécessité de les protéger de façon permanente et cela à
tous les niveaux. Avec la société actuelle rude en concurrence pour gagner le jack-pot, les
personnes sont prêts à n’importe quoi pour ruiner, retarder les autres. Mais, il n’y a pas que
les autres qui sont les causes de ces sinistres, mais même le propriétaire de la vie (ou encore
des biens) peut lui-même en être à la base. Et, comme il faut une réparation ou encore un
renouvellement, il faut aussi des techniques pour rencontrer l’attente de ces personnes, de
l’évaluation des sinistres à leur compensation, l’actuariat a mis en place et développé des
techniques efficaces en vu de satisfaire tant bien que mal toutes ces personnes lésées.

L’un de ses services est l’assurance. Comme nous pouvons le constater dans
notre société que l’un de plus grand défi à relever est l’ensemble de sinistres que connaissent
le secteur automobile de part le monde mais surtout dans les pays africains. Que des
accidents, des vols ou encore d’autres incidents. L’actuariat essaie tant soit peu de donner des
solutions avec les systèmes de tarification qui peuvent varier d’un pays à un autre.

1. CHOIX ET INTERET DU SUJET

Plusieurs motivations nous ont conduites à nous décider de pouvoir travailler

dans ce secteur en proposant le sujet :

« Système Bonus-Malus en Assurance Automobile par une Société d’Assurances, Cas de la

SONAS Lubumbashi ».

Quant à question de savoir pourquoi ce choix, nous répondons simplement que :

- Sur le plan scientifique : l’actuariat étant une branche encore en construction et peu
intéressée par la plupart des pays africains;
 2

- Sur le plan social : promouvoir l’intérêt et les bénéfices que peuvent rapporter
l’assurance automobile et aux personnes morales et aux personnes physiques ;
- Sur le plan personnel : notre intérêt pour le domaine de l’actuariat et de ce sujet a été
suscité par nos enseignants qui nous ont en parler et qui sont aussi proches de ce
domaine et par conséquent de ce sujet.

2. PROBLEMATIQUE

Vu le nombre d’accidents et des réclamations de la tarification par les usagers

dans le secteur automobile, nous avons pensé à poser la problématique comme suit :

« Comment est-ce qu’une société d’Assurance peut-elle appliquer un système

Bonus-malus en assurance automobile tout en tenant compte des caractéristiques de ses
assurés? »

1. Hypothèses

Nous avons posé comme hypothèses de notre travail ce qui suit :

Etant donnée la population d’une ville A subdivisée en plusieurs commune X, Y, Z, … :
- Les risques d’accidents peuvent être réduites en utilisant le système de tarification
Bonus-Malus ;
- La fréquence de sinistres est aussi fonction des caractéristiques des assurés;
- Système Bonus-Malus est la seule qui soit efficace pour une tarification optimale en
assurance automobile.

3. Méthodes et techniques

Concernant les méthodes utilisées, nous avons opté pour l’observation

indirecte ainsi que la simulation mathématique ; lesquelles nous ont amené à nous servir des
techniques d’échantillonnage aléatoire pour la collecte des données, les tests d’hypothèses.
L’outil informatique dont nous nous servons dans notre étude est le tableur Excel 2013.

4. SUBDIVISIONS

1. Subdivision Spatio-temporelle

Comme nous l’avons dit, nous avons porté notre regard à la SONAS Direction
provinciale (DP) Katanga et nous avons observé les statistiques de l’année 2007 à l’année
 3

2012 grâce à un échantillon de convenance de l’année 2013 pour l’ensemble de la ville de

Lubumbashi et ses environs.

2. Subdivision chapitrale

Outre l’introduction générale et la conclusion, nous avons pensé subdiviser ce

Travail en quatre chapitres ;

Le premier chapitre est intitulé « généralités sur les assurances». Ici, nous
parlerons des principales notions à savoir sur les assurances, la principale société d’assurance
du pays et ses services ainsi que les défis qu’elle a à relever.

Vu que l’Assurance utilise les lois de probabilité, Au deuxième chapitre, nous

parlerons ainsi des notions utilisées intitulées « Lois de probabilité-Processus stochastiques
(Chaines de Markov)». Nous essaierons d’expliquer en général les processus stochastiques
ainsi que de quelques lois et principes importantes des probabilités.

Le troisième chapitre parlant de la « Système Bonus-Malus (SBM)». Ici, nous

chercherons à comprendre ce qu’est le Bonus-Malus, sa description ainsi que son
fonctionnement à la SONAS.

Le dernier chapitre, « Applications et Interprétation des résultats » dans

lequel nous appliquerons nos données dans le contexte et nous interpréterons les résultats en
vue de tirer une conclusion.
 4

Chapitre I. Généralité sur la SONAS-Système Bonus-Malus

1. Brève présentation de la SONAS

La SONAS, Société Nationale d’Assurances, n’est pas le résultat d’un hasard

mais la concrétisation d’une longue histoire que nous allons présenter brièvement avant de la
présenter également.

1.1. Notice historique sur les assurances

C’est en Italie qu’est née la notion d’assurance proprement dite en 1347 dans
les ports de Venise, Crène, … . Les premières couvertures concernent les navires et les
cargaisons assurés contre le péril de la mer. Le risque était transféré de l’assuré à l’assureur.
Il va de soi que le succès de l’opération dépendait de la solvabilité de l’assureur, lequel
assureur n’était pas soutenu, mais l’assurance terrestre va prendre un véritable départ avec
l’apparition de l’assurance-incendie avec l’incendie qui a eu lieu à Londres en 1666 (17ème
Siècle).

L’assurance-vie est apparue en rapport avec l’assurance maritime. En effet, en

cas de captivité, le ravisseur réclamait une grande somme d’argent. L’assurance-incendie va
apparaître au 17ème siècle.

PASCAL va introduire les calculs de probabilité qui vont aider les compagnies
d’assurances. Cette base de calcul de probabilité va se développer vers le 19ème siècle et le
20ème siècle, notamment dans les pays développés.

« Les actuaires vont aider les compagnies d’assurance à constituer le modèle

de risque pour éviter la ruine asymptotique et prévoir le risque. » [MABE 15]

1.2. Brève présentation de la SONAS

Elle est l’unique Société d’assurance à l’heure actuelle dans le pays. Etant
donné qu’elle est l’unique dans notre pays, il vaut la peine d’en dire un mot, car le monopole
lui revient.

a) La création de la SONAS

« La SONAS (Société Nationale d’Assurance) a été créée par l’ordonnance-loi

n°66/622 du 23 novembre 1966, complétée par l’ordonnance-loi n°66/622 bis de la même
année. Conformément aux dispositions de l’ordonnance-loi autorisant cette création, la
SONAS est une entreprise à caractère commercial dotée d’une personnalité juridique. Son
 5

siège social se trouve à Kinshasa et ses sièges administratifs, ses agents dont certains sont
établis en provinces. » [MABE 15]

b) L’objet de la SONAS

« Elle détient le monopole de toutes les opérations d’assurances, de

réassurance et de coassurance sur tout le territoire national, selon l’ordonnance-loi n°67/240
du 02 juin 1967. » [MABE 15]

La SONAS a pour rôle de concourir financièrement au développement

économique du pays en s’intéressant au projet d’investissement de l’Etat.

c) Structure organique

La structure de la SONAS est dite structure fonctionnelle à cause de

l’agencement de plusieurs organes correspondants aux fonctions qui doivent être remplies
pour assurer la bonne marche. Ainsi, les directions de la SONAS peuvent être classées en
deux catégories :

· Les directions fonctionnelles

- Direction Financière

- Direction Administrative

- Direction du Personnel

- Direction des Organisations et médicales

- Direction Médicales

- Direction des Etudes et Statistiques

· Les directions techniques

- Direction Automobile

- Direction de Transport Maritime, Terrestre

- Direction des Accidents et Risques Divers (ARD)

- Direction des Incendies

- Direction Vie

- Direction de Réassurance
 6

Chaque direction est subdivisée en département, les départements en services,

les services en division et les divisions en section.

Il existe six directions provinciales qui organisent toutes les opérations

d’assurance dans l’arrière-pays :

- Direction de Kinshasa (Ville de Kin, Bandundu, Bas-Congo)

- Direction Provinciale de l’Ouest à Boma (Bas-Congo)

- Direction Centrale de Kananga (Kasaï-Orientale et Occidental)

- Direction Provinciale de l’Est à Goma (Nord-Kivu, Sud-Kivu, Maniema)

- Direction du Nord-Est à Kisangani

- Direction provinciale du Sud-Est à Lubumbashi (Katanga)

Notons qu’au sein de chaque direction provinciale, il existe des succursales,

des agences ainsi que des bureaux de souscription.

2. Termes d’assurances

Il existe plusieurs notions ou termes techniques lié à l’assurance automobile

utilisés par la SONAS :

a) Assurance

C’est la couverture des risques courus par les assurés.

b) Sinistre

On appelle sinistre, tout accident ou dommage couvert par une police ou un

contrat d’assurance ou une police d’assurance. Cette notion est surtout appropriée pour
l’Assurance Non Vie (ANV).

c) Risque

Le risque associé à un contrat d’assurance (ou police d’assurance) est la

variable aléatoire qui donne le montant total de débours auquel l’assureur est exposé par le
fait même de ce contrat d’assurance qui donne la garantie à l’assuré.
 7

d) Coassurance et réassurance

La coassurance est l’opération par laquelle plusieurs compagnies d’assurances

garantissent un risque par un même contrat (ou police d’assurance) chacune de ces
compagnies prend une part convenue dans la police d’assurance à sa charge.

L’intérêt de cette procédure est lié à la dimension de certains risques qui

rendent difficile l’intervention d’un seul assureur.

Illustration III.1

L’incendie du building de l’UNILU qui ne peut pas être supporté par une seule compagnie
nécessite l’appui d’un groupe d’assureur.

La réassurance par contre consiste en un contrat d’assurance entre une

compagnie d’assurance et un réassureur par lequel la première appelée la « cédante » se
décharge sur la deuxième société appelée « réassureur », d’une partie de risque qu’elle assure.
Ce type de contrat est appelé « trait de réassurance ».

e) Notion de prime

La prime se subdivise en :

- prime pure (ou prime de risque) et ;

- prime brute (ou prime chargée).

Soit X (t ) le montant cumulé des sinistres déclarés à la compagnie d’assurance

sur un horizon de longueur t, (c'est-à-dire sur un intervalle de temps [0, t ]).

On appelle prime pure (ou prime de base), la quantité numérique :

d
P = E [X (t )] (I.1)

Notons que la compagnie opère sur les bases financières en recourant à la

prime pure.

Prime brute ou prime chargée : elle est définie par

d
P * (t ) =
(1 + Q ) ou
P

d
P * (t ) =
(1 + Q ) (I.2)
E [ X (t )]
 8

où Q est un paramètre réel positif appelé « chargement de sécurité ».

Notons que :

1. Le chargement de sécurité Q sert en premier lieu les services suivants de l’assureur :

- Frais de gestion : salaire du personnel et frais administratifs

- Frais de marketing : Commissions constituées par l‘acquisition de nouvelles affaires

auprès des courtiers

2. le chargement de sécurité sert aussi à prévenir les écarts en statistique dans l’évolution
prévisionnelle de la prime.

f) Notion de réserve

Les réserves sont des bénéfices que la compagnie aurait pu distribuer mais
qu’elle a préféré conserver par précaution ou pour les investissements stratégiques.

Le rôle essentiel des réserves est d’assurer l’équilibre dans les opérations
financières. Elles permettent aux assureurs de se maintenir, i.e de posséder la solvabilité
permanente.

Les réserves sont divisées en trois groupes :

- les réserves mathématiques ou provisions mathématiques ;

- les réserves de sécurité ou provisions de sécurité ;

- les réserves techniques ou provisions techniques.

g) Limite de rétention (ou priorité ou rétention)

- La priorité est le montant à partir duquel un ensemble des sinistres doivent être
supporté par les réassureurs.

- La rétention est la part maximale du risque conservé par l’assureur (la compagnie
d’assurance) en tenant compte de ses possibilités financières ou de ses réserves.
 9

h) La solvabilité

g.1) Définition

La solvabilité d’un assureur ou d’une compagnie d’assurance est la capacité

financière de l’assureur ou d’une compagnie d’assurance d’honorer ses engagements vis-à-vis
des assurés ou des tiers. La solvabilité est donc la capacité de l’assureur à pouvoir éviter la
ruine.

g.2) Nota

Le travail de l’actuaire est de prévoir la réalisation des sinistres (leurs

fréquences) et de l’estimation de leur montant (leurs coûts) afin de garantir leur solvabilité,
en tenant compte de la limite de rétention, d’un modèle mathématique.

5. L’Assurance, quid ?

3.1 Définition du concept « Assurance »

Plusieurs auteurs ont présenté chacun une définition de ce terme mais l’accord
semble se réaliser sur la définition établie par Jean HERMARD (actuaire français),
« l’assurance est une opération par laquelle une partie, l’assuré, se fait promettre moyennant
une rémunération, la prime, pour lui et pour un tiers, en cas de réalisation d’un risque, une
prestation par une autre partie, l’assureur, qui, prenant en charge un ensemble des risques, le
compose conformément aux lois de probabilité et de statistique ».

3.2. Principe fondamental de l’assurance

Le principe fondamental de l’assurance est la formation d’une communauté où

les assurés mettent en commun leurs risques afin de les partager. Si ces risques ne sont pas
égaux entre eux, il est normal de demander à chacun des assurés une prime proportionnelle
aux risques qu’il fait couvrir à la communauté.

On appelle le portefeuille d’assurance, la communauté ou collectivité ou

mutualité des risques mis en commun.

3.3. Mécanismes de l’assurance

L’assurance repose sur le principe de solidarité par la mutualité, c'est-à-dire

l’assurance ou la compagnie d’assurance peut être présentée comme une entreprise de
services (création de sécurité, création d’épargne, etc.).
 10

Nous notons que :

- L’assurance est toujours basée sur la mutualité en ce sens que ce sont les primes des
assurés eux-mêmes qui financent l’indemnisation des sinistrés ;

- Nous parlons de la notion de « garantie » en assurance parce que l’assureur prend un

engagement de nature ferme et inconditionnel de pouvoir réparer les préjudices
causés à ses assurés suivant un délai établie et sur base des conditions fixés du contrat
(police d’assurance).

Il s’ensuit que, l’assurer doit fixer la prime de telle sorte qu’il doit toujours
être en mesure d’honorer cet engagement quelle que soit l’importance et le nombre des
sinistres.

Ces primes sont fixées et encaissées d’avance sans que l’assureur puisse
connaître le nombre et le montant de dommage auquel il doit faire face. D’où, l’importance
de l’évaluation prévisionnelle de la prime.

- L’évaluation prévisionnelle de la prime peut s’avérer insuffisante pour des raisons

suivantes :

· un hasard mal chanceux : peut provoquer la même année un nombre de sinistres

de gravité exceptionnelle.

· Une évolution subite de la fréquence et une dépréciation monétaire (il faudrait

choisir une monnaie de référence constante).

3.4. Subdivision des assurances

Les assurances se subdivisent techniquement en deux groupes qui sont :

- les assurances de dommage (ou assurance-non vie) telles que accidents, les incendies,
etc.

- les assurances des personnes (assurance-vie).

a) Assurance non-vie (ANV)

Elles ont pour but de réparer les conséquences d’un événement dommageable,
raison pour laquelle elle est aussi appelée l’Assurance dommageable. Elles se subdivisent en
deux catégories :
 11

- les assurances couvrant les pertes matérielles qui frappent les biens propres de
l’assuré. Nous considérons ici par exemple l’incendie de l’automobile d’un tiers sans
intervention extérieure ;

- Les assurances de responsabilité dont l’objet est de réparer les préjudices subis. Nous
entendons par là le cas d’un véhicule qui cogne un autre et on constate des dégâts
surtout matériels.

b) Assurance-vie (AV)

Il existe quatre types d’assurance des personnes ou assurance-vie. Elle prévoit

les prestations en cas de réalisation du risque qui menace la personnalité même de l’assuré
telle que le décès prématuréde l’accidenté ou son infirmité.

Notons qu’en République Démocratique du Congo, l’assureur non-vie

concerne les directions techniques suivantes :

- Direction Accident et Risques Divers

- Direction Incendie

- Direction Transport

Par contre les assurances-vie sont gérées par la Direction Vie.

 12

CHAPITRE II. Lois de probabilité-Processus stochastiques (Chaines de Markov)

1. Lois de probabilité

Nous avions expliqué dans le chapitre ci-avant et notamment dans sa deuxième

section parlant de la notion d’assurance donner naissance à l’évaluation prévisionnelle de la
prime. Or, cette dernière n’est pas faite à tâtons mais l’évaluation est faite suivant des lois de
probabilité.

Selon le dictionnaire le Robert pour tous, « une loi est une formule générale, non
impérative, énonçant un rapport constant entre des phénomènes ».

Vu que le problème de tarification en assurance automobile est un véritable

phénomène de société, les lois de probabilité occupent donc une place de choix pour arriver à
la tarification raisonnable. D’où, l’intérêt de ce chapitre celui de parler des lois de probabilité
ainsi que les notions y associé.

1.1. Quelques rappels de probabilité

Ce sont les jeux du hasard qui sont à l’origine des probabilités. C’est à la suite des
travaux de Pascal et Fermat vers 1654 qu’est né le calcul des probabilités.

Ces derniers vont connaitre un grand essor au XIXème siècle. C’est grâce à
Kolmogorov en 1933 qu’il y aura leurs inscriptions dans un cadre théorique rigoureux. La
découverte de la physique quantique et des théories modernes de l’imprévisibilité redonnent
au calcul des probabilités une place centrale alors qu’en son tout début Pascal a simplement
eu le mérite de résoudre un jeu du hasard appelé jeu des partis. C’est alors que va se dérouler
le rouleau de l’apologie des sciences actuarielles dépassant même l’imagination de ses
inventeurs.

a) Définition II.1

Une expérience aléatoire z est une action qui débouche sur plusieurs résultats possibles. Il
s’agit de recenser l’ensemble de ses résultats possibles appelés éventualités ou événements
élémentaires notés A.
 13

b) Définition II.2

On appelle univers W l’ensemble d’éventualités. Une éventualité A est donc aussi

une partie de W, A Î P.

Il existe généralement deux types de définition des probabilités.

Dans le cas où ! est fini, Elle correspond à la notion intuitive de probabilité appelée
c) Définition II.3

aussi probabilité de Laplace (XVIIIè Siècle).

Soit W fini, dont les événements élémentaires sont équiprobables
Card A nbr Cas favorables
P( A) = = (II.1)
Card W Nbr Cas possibles

Propriétés II.1

P( A) + P( A) = 1, "A Î P(W)
P( A È B) = P( A) + P( B) - P( A Ç B), "A, B Î P(W)
A Ì B Þ P( A) £ P( B)

d) Définition II.4

Considérons ! fini ou infini dénombrable, " une application de W dans [0,1] est une
C’est la définition axiomatique de la probabilité.

probabilité si et seulement si
(1) "(#) = 1
(2) $(%& )&'*,…,+ -./-%& 2 %3 = 4-$-5 6 7
+ +

" 89 %& : = ; "(%& )

&'* &'*

(3) &'* %& )

"(<> = ?>
&'* "(%& )

Dans le cas ! non dénombrable, on ne peut pas forcement définir une probabilité
sur"(#), qui satisfasse les axiomes (1), (2) (3) sur"(#). D’où, on est obligé de la définir sur
une famille @de "(#), famille vérifiant les propriétés ci-après :

Si A Î F, A Î F
Si A, B Î F, A È B Î F et AÇ BÎF
¥
( Ai ) iÎN Î F Þ U Ai Î F
i =1

On dit alors que F est une A-algèbre.

 14

e) Probabilités conditionnelles

e1) Notion d’indépendance

Le premier à avoir défini explicitement les concepts d’indépendance et de probabilité

conditionnelle est Abraham De Moivre (1667 – 1754).
Soit # un univers (lié à une expérience aléatoire-B), " une probabilité sur "(#) (ou
@).
Soit %, C deux événements, % D -#, "(E) F 0 et C D -#.

e2) Définition II.5

La probabilité conditionnelle de C sous l’hypothèse % est définie par

PB( A) = P(PA(ÇA)B) (II.2)

Signification : P B( A)exprime la probabilité de B étant donné que A est déjà réalisé.

Couramment, on parle de la probabilité de B sachant A .

( A)´ P( A)
Mais, en général on utilise la relation dans le sens P( A Ç B) = P B

e3) Propriété II.2 : Formule des probabilités composées

"(% 2 C) = "(HIE) × -"(E)-J5-"(E) F 0

G
"(% 2 C) = "(EIH) × -"(H)-J5-"(H) F 0
(II.3)

e4) Théorème II.1

JL5.-% M N(#)(LO-@), ./-"(E) F 0, "-étant-une-probabilité-surN(#)

K N(#) S [0,1]
"|P Q-R est-une-probabilité-sur N(#)
C S "P (C) = "(HIE)

e5) Caractérisation

JL5TU.-%-T.-CV ("(E) F 0, "(H) F 0)

G
"(% 2 C) = "(E) × -"(H)
sont indépendants si et seulement si
 15

f) Théorème de Bayes

soit{C& , 5 = 1, … , U} <+&'* C& = #, -C& 2 C3 = 4--$-5 6 7

W soit% M N(#)(LO-@),
"(HX IE) =
Y(ZI\^ )×Y(\^ )
(II.4)
_cd Y(ZI\_ )×Y(\_ )
?`

Preuve :

"(HX IE) =
Y(\^ 2Z)
Y(Z)
et on applique la formule des probabilités totales

1.2. Variables aléatoires et distributions (lois) de probabilités

a) Espace probabilisé et loi de probabilité

A la section ci-avant, nous avons vu qu’une expérience aléatoire x définissait un

ensemble de tous les événements possibles W appelé univers. Sur N(#) on peut définir une
application f telle que $-% M -N(#) (ou @) "(E) est la probabilité de l’événement % à se
réaliser.

b) Définition II.6

Soit # un univers. On appelle Espace probabilisé le triplet (#, N(#), "), où-" est
appelée « loi ou distribution de probabilités ».

Notons que (g, ") noté souvent au lieu du triplet ci-haut décrit le caractère aléatoire
de l’expérience.

c) Lois discrètes et lois continues

Il existe deux catégories de lois de probabilité les plus connues :

- Lois discrètes ;
- Lois continues.

i. Variable aléatoire (v.a)

Définition II.7

Une variable aléatoire X est une fonction de W dans h,- (W, P ) étant un espace
probabilisé.

X est une correspondance entre l’ensemble des événements élémentaires et h.

 16

Définition II.8

Soit X v.a définie sur l’espace probabilisé (W, P ) . On appelle loi de probabilité de X ,
la probabilité "j définie sur l’ensemble des intervalles k de h tq k D h
"j (k) = "{m-./-q(m) M k}. (II.5)
Il existe une analogie entre variable aléatoire (v.a) et variable statistique. La notion de
probabilité pour les v.aremplace celle de fréquence relative pour les variables statistiques.

ii. Fonction de répartition d’une loi de probabilité d’une v.a

Définition II.9

Soit X , une v.a définie sur (W, P ) , on appelle fonction de répartition de q ou fonction
de distribution cumulée de X la fonction v de h dans h définie par
v(w) = "(q x w). (II.6)

(1) "(y x q x z) = v(z) ~ v(y)--$-z • y

Propriétés II.3
(a)
(2) v est croissante (b)
(3) v(w) M [0,1]-$-w M h, li€ v(w) = 1, li€ v(w) = 0 (c)
jS•> jS•>

Cette fonction vous permet de calculer toutes les probabilités relatives aux intervalles.

iii. Variables aléatoires discrètes

Comme nous l’avons dit précédemment, il existe une analogie entre les variables
statistiques et les variables aléatoires discrètes (v.a.d).

Définition II.10

Une variable q est discrète si l’ensemble de ses valeurs est fini ou ‚-dénombrable.

La loi de probabilité de q est définie par

Définition II.11

1) Les valeurs de q!:w& 5 M k,

2) Les probabilités des valeurs de q, f& = "(q = w& ).

Souvent on peut dresser le tableau comme suit :

Valeurs de q w* wƒ …-w+
Proba"(q = w& ) f* fƒ …-f+
 17

iv. Variables aléatoires continues (v.a.c)

Définition II.12

La v.a-q est continue si et seulement si ses valeurs constituent un ou plusieurs

intervalles.

Définition II.13

Si v est continue et dérivable alors q est absolument continue.

Propriétés II.4

(1) v est croissante

(2) li€ v(w) = 1, li€ v(w) = 0 si q(#) = h
jS•> jS•>

(3) "(aV b) = "(z) ~ "(y)

(4) Si q est absolument continue alors $w---„(† = ‡) = 0.
v. Caractéristiques d’une variable aléatoire
Il existe plusieurs grandeurs caractérisant une variable aléatoire comme l’espérance
ou la moyenne, la variance, l’écart-type, le moment,…
a) Moment
Pour une v.a X , le « moment factoriel d’ordre k » est défini par :
m( k ) = E[X ( X - 1)...( X - k + 1)] (II.7)

Le « moment simple d’ordre k d’une v.a.d X » est donné par : mk = E (X k ).

+¥
Le « moment simple d’ordre k d’une v.a.c X » est donné par : mk = òx
k
f ( x )dx .
-¥

Vu que les moments simples s’expriment en fonction des moments factoriels,

Þ m1 = m (1) (II.8)

m2 = m (2 ) + m (1)

m3 = m (3) + 3m (2 ) + m (1)

m4 = m (4 ) + 6m (3) + 7m (2 ) + m (1)

Le « moment centré d’ordre k d’une v.a X » noté par m k est défini par :

[
m k = E ( X - E ( X ))
k
]
Il existe des moments particuliers qui sont les moments centrés d’ordre k déduits des
moments simples par les expressions suivantes :
m1 qui est la moyenne ou l’espérance mathématique
 18

m 2 = m2 - m12
m 3 = m3 - 3m1m2 + 2m13

m 4 = m4 - 4m1m3 + +6m12 m2 - 3m14

Notons que m 2 ,m 3 et m 4 sont utilisés pour caractériser la forme d’une distribution.

Nous signalons que l’étude de la forme d’une distribution ne fait pas l’objet de notre
sujet d’étude comme mentionné dans l’introduction.
b) Espérance (Moyenne)
· Cas des variables discrètes
Soit X une v.a. définie sur (W, P ) tq X (W) = {xi , i Î I }, pi = P( X = xi ).
L’espérance de X est définie par
n
E( X ) = å p x (II.9a)
i i
i =1
· Cas des variables continues
X : W ® R de fonction de densité f définie sur h
+¥ b
E( x ) = ò xf (x )d (x ) ou E( x ) = ò xf (x )d (x ) si
-¥ a
f est définie sur [a ,b] (II.9b)

b
Si f est définie sur [a, b] E ( X ) = ò xf (x )d (x )
a

Propriétés de l’espérance II.5

Soit y, z- M ˆ, qQ-# ‰ -h, Š!Q # ‰ -h
(1) E(aX + b) = aE ( X ) + b (a)
(2) E( X + Y ) = E( X ) + E(Y ) (b)
(3) E( X - Y ) = E( X ) - E(Y ) (c)
(4) E( XY ) = E( X ) E(Y ) (d)
au cas où--q et ‹ sont indépendantes.

c) Variance
· Cas des variables discrètes
Soit une v.a.d telle que X (W) = {xi ,i Î I }, pi = P( X = xi ).
n
s 2 = V ( X ) = å pi xi 2 - [E ( X )]2 = å pi ( xi - E ( X )) 2 (II.10a)
i =1 i
 19

· Cas des variables continues

+¥
V( X ) = òx f ( x )dx - [E( x )]
2 2
(II.10b)
-¥

Définition II.14
On appelle écart-type de X , noté s ( X ), la quantité

s( X ) = V ( X ) (II.11)

Propriétés de la variance II.6

Soit y, z- M h, qQ-# ‰ -h, Š!Q # ‰ -h
1) V ( aX + b ) = a 2V ( X ) (a)
2) V ( X + Y ) = V ( X ) + V (Y ) (b)
3) V ( X - Y ) = V ( X ) + V ( Y ) (c)
au cas où--q et ‹ sont indépendantes.

vi. Distribution des probabilités (Lois discrètes usuelles)

Définition II.15 : définition élémentaire

La distribution des probabilités d’une variable aléatoire ou stochastique discrète est

une liste de probabilités associées à chacune des valeurs possibles que la variable aléatoire
peut prendre.

Cette liste est aussi appelée Fonction de masse de probabilité, appelée également
Fonction de probabilité.

Définition II.16 : définition formelle

La distribution des probabilités d’une variable aléatoire discrète q est une fonction qui
donne la probabilité "(q) que la variable aléatoire soit égale à w& , "(q = w& ).

Nous allons observer ce qui suit :

1. Πx "(q = w& ) x 1
2. ? "(q& ) = 1 la somme de probabilité sur l’ensemble de l’espace probabilisable est
toujours égale à 1.

Dans le cas des v.a.c. , nous parlerons de la fonction de densité de probabilité. Cette
dernière est une fonction qui peut être intégrée pour obtenir la probabilité que la variable
aléatoire prenne des valeurs dans un intervalle donné "(w& x w x w3 ).
 20

Nous allons ainsi observer ce qui suit :

1. • Ž(w)•w = 1 lorsque nous intégrons sur l’ensemble de l’espace probabilisable.

2. Ž(w) • 0
vii. Distributions de probabilités discrètes

Nous allons maintenant parcourir certaines distributions liées à la variable aléatoire

discrète. Notons qu’il en existe plusieurs, nous citons en passant la :

a) Distribution de Bernoulli

Il s’agit d’une distribution dans laquelle la variable aléatoire ne prend que deux
valeurs : succès ou échec.[LUND 12]

Souvent dans le cas du « succès », la variable aléatoire prend la valeur de « 1 » tandis

que dans le cas de l’échec, cette dernière prend la valeur de « 0 »

ì p si X = 1
ï
Ici, notre distribution des probabilités a un paramètre P( X , p) = í1 - p si X = 0
ï 0 autrement
î

P( X , p) = p X (1 - p)1- X , X = {0,1} (II.12a)

ì 0 si X < 1
ï
Et de fonction de répartition F ( X , p) = í1 - p si 0 £ X £ 1
ï 1 si X > 1
î

Moyenne = p (II.12b)
Variance = np (II.12c)

b) Distribution binomiale B(n,p)

Fonction de densité et de répartition :

Dans la distribution de Bernoulli, nous avions affaire à un essai seulement tandis que
dans la distribution binomiale nous avons affaire à plusieurs essais soit n > 1. [LUND 12]

Si 1 essai ® p X1 (1 - p)1- X1 à chaque essai correspond un X = X 1 , X 2 ,..., X n

n n

å Xi å (1- X i )
Si n essai ® p i =1 (1 - p) i =1
 21

Dans chaque essai de Bernoulli, la variable aléatoire est soit 0 soit 1.

n
X = å X i nombre des succès dans n essais.
i =1

Moyenne

E( X i ) = p
n
E ( X ) = E (å X i ) = n p (II.13a)
i =1

Variance
n
V ( X ) = V (å X i ) vu que les X i sont indépendants
i =1
n
= åV ( X i )
i =1

= np(1 - p) (II.13b)
c) Distribution binomiale négative BN(r,p)
On définit une variable aléatoire comme le nombre de succès k dans une séquence de
Bernoulli avant d’atteindre un nombre fixé d’échecs r .LUND 12]
Illustration II.1
Soit la séquence : succès, succès, échec, échec, succès, succès, succès, échec. Il nous
est demandé de trouver la probabilité d’obtenir k succès avant d’atteindre r échecs.
En effet, soient p = P(succès)
1 - p = P(échec )

k = Nbr succès
r = Nbr échecs

æ X + r-1ö X
P(X = k) = çç ÷÷ p (1 - p) r Probabilité d’une séquence où X varie
è X ø
de 0 à + ¥. (II.15a)
pr pr
Moyenne = ; Var(X) = (II.15b), (II.15c)
1- p ( 1 - p)2
d) Distribution de Poisson P( l )

La distribution de Poisson est utilisée quand on compte le nombre d’événements dans

un intervalle de « temps » ou sur une « surface ».[LUND 12]
 22

Par exemple, le nombre de coûts de téléphone que l’on reçoit dans une cabine pendant
une unité de temps ou le nombre de naissances par semaine dans un hôpital ou encore le
nombre de bananier dans une parcelle.
Caractéristiques
1) Tout problème dans cette distribution se réfère au temps ou à la surface
2) La probabilité que deux événements se produisent dans un intervalle très petit est
« négligeable ».
3) La probabilité de production d’un événement dans un certain intervalle ne change pas
dans les autres intervalles.
4) La probabilité d’un événement dans un intervalle est indépendante de la probabilité
d’un événement dans un autre intervalle. On l’appelle aussi la « loi des événements
rares ».
Cette dernière est une distribution limite de la distribution binomiale quand le nombre
d’essais tend vers l’infinie.
Donc, lim P( X = k ) = P(Y = k ).
n®¥

Considérons la distribution binomiale avec ses deux paramètres n et p ainsi que sa

moyenne notée par l = np. (II.12c)
l
Fixons maintenant l , p =
n
ænö k n-k
Nous avons lim P( X n = k ) = lim çç ÷÷ p (1 - p) (II.16)
n ®¥ n ®¥ k
è ø
lk
D’où, P( X n = k ) = e -l (II.17) après développement de (II.16).
k!
E ( X ) = l , V (X ) = l

viii. Lois de probabilités continues

Il existe plusieurs lois de probabilités continues notamment :
a) Loi exponentielle e( q )
Cette loi dépend uniquement du paramètre q > 0
Fonction de densité et de répartition :
f ( x ) = qe -qx et F ( x ) = 1 - e -qx (II.17a) ; (II.17b)
Moments :
k!
mk = d’où (II.17c)
qk
 23

1 1
m = E( X ) = , V( X ) = (II.17d) ; (II.17e)
q q2
b) Distribution normale N ( m ,s 2 )
Elle a pour paramètres m Î Â et s > 0 .
Fonction de densité et de répartition :
1
Sa fonction de densité est donnée par : f ( x ) = j(z ) (II.18)
s
x-m
où z =
s
x2
1 -
j : la densité normale standard avec comme paramètres N ( 0,1 ) définie par j( x ) = e 2

2p
et
æ x-mö
Sa fonction de répartition F ( x ) = Fç ÷
è s ø
Avec F la fonction de répartition de la loi Normale standard d’expression intégrale :
x
1 2

F( x ) =
-t

2p - ¥
òe 2
dt

Moments :
m k = (k - 1)(k - 3)...3.1.s 2 si k est pair, 0 si k est impair

E( X ) = m, V ( X ) = s2

c) Distribution LogNormale LogN( m,s 2 )

Elle a pour paramètres m Î Â et s > 0 . La v.a.c X suit une loi LogNormale LogN( m,s 2 ) si

et seulement si la v.a.c ln X suit la loi normale N ( m ,s 2 ).

Fonction de densité et de répartition :
1
1 - (ln x -m )2
Sa fonction de densité est donnée par : f ( x ) = e 2s2
(II.19)
2psx
æ ln x - m ö
Sa fonction de répartition : F ( x ) = Fç ÷
è s ø
où F : fonction de répartition de la loi normale centrée réduite.
Moments :
k
km + s 2
mk = e 2

2
Posons w = e s
s2 s2 1
m+
m m
m = E( X ) = e 2
=e e 2
=e w ; 2
V ( X ) = e 2m w( w - 1 )
 24

d) Distribution Gamma g(a ,b)

Fonction de densité et de répartition :
b a x a -1e -bx
Sa fonction de densité est donnée par : f ( x ) = (II.20)
G(a )
x

òb
a
x a -1e -bx dx
Sa fonction de répartition est donnée par : F ( x ) = 0

G(a )
+¥
où la fonction Gamma notée par G est définie par : G( y ) = ò e - x x y -1 dx pour y > 0.
0

Moments :
a(a + 1)(a + 2)...(a + k - 1)
mk =
bk
a a
m = E( X ) = ; V( X ) = ;
b b2
Propriété II.7 : semi-additivité
Soient deux variables indépendantes X 1 et X 2 suivant respectivement les lois Gamma
g 1 (a1 ,b) et g 2 (a 2 ,b) , alors la v.a.c X = X 1 + X 2 suit la loi g(a1 + a 2 ,b).

1.3. Théorie d’estimation

On ne peut pas parler de la théorie de l’estimation sans faire appel à la notion

d’échantillonnage.

La problématique de l’inférence statistique consiste, à partir d’un échantillon de la

population de loi de probabilité connue ou inconnue, à déduire des caractéristiques sur cette
population. D’où interviennent le problème d’estimation lorsqu’il s’agit de comprendre de
quelle loi il s’agit et aussi celui des tests lorsqu’il s’agit de comment prendre une décision en
contrôlant au mieux le risque de se tromper.

a) Echantillonnage

(1) Echantillonnage

Il correspond à des tirages indépendants et équiprobables d’individus au sein de la

population. Ce qui amène à ce que l’on puisse associer à chaque individu 5 une variable
aléatoire-q, dont on observe une seule réalisation-w& .
 25

Par ailleurs, un échantillonnage est aussi l’ensemble des techniques qui consistent à
sélectionner un sous-ensemble aléatoire ou non biaisé d’individus.

Signalons qu’il existe deux types d’échantillonnage, l’échantillonnage avec

probabilité et l’échantillonnage sans probabilité.

Il existe les méthodes d’échantillonnage avec probabilités ci-après : aléatoire et

simple, systématique, stratifié, proportionnel, par grappe comportant chacune aussi bien des
inconvénients que des avantages.

(2) Population

C’est un ensemble de tous les individus possédant une ou des caractéristiques que l’on
voudrait étudier en vue de comprendre un phénomène ou une tendance.

(3) Echantillon

Généralement parlant, c’est un sous-ensemble de la population.

Mathématiquement parlant, un échantillon-q* , qƒ , … , q+ est un n-uplet (q* , qƒ , … , q+ )
de variables aléatoires q& indépendantes et ayant une distribution identique.

Il est souvent fréquent de caractériser un échantillon par des grandeurs telles que la
moyenne (l’espérance), la variance, etc. Ces dernières sont elles-mêmes des variables
aléatoires fonction de q* , qƒ , … , q+ V

(1) La taille n d’échantillon

C’est le nombre d’individus qui y figurent dans l’échantillon. Plus il est grand, plus il
est représentatif de la population d’étude.

b) Estimation
L’estimation statistique consiste à donner à une caractéristique d’une population
d’étude une valeur approchée, cela à partir d’un échantillon d’observations issues de cette
population. Brièvement, elle a comme objectif de faire de prédiction sur une population à
partir d’un échantillon.

Il existe généralement deux genres d’estimation :

 26

b.1) Ponctuelle

Dans l’estimation ponctuelle, une statistique calculée à partir d’un échantillon de la

population est connue comme étant un paramètre de la population.

a. Choix d’un estimateur

Ce n’est pas n’importe quel estimateur qui nous intéresse mais le bon estimateur.

b. Méthodes d’estimations
L’estimation ne se fait pas de n’importe quelle manière mais il existe des méthodes
appropriées en vue de la réaliser. Nous citons :
b.1) La méthode des moments (EMM)
Elle a comme principe général :
- Calculer le moment au niveau de la population ;
- Calculer le moment au niveau de l’échantillon ;
- Etablir enfin l’égalité entre les différents moments de ce deux niveaux
précités.
b.2) Méthode de maximum de vraisemblance (EMV)
Dans cette méthode, il s’agit de maximiser la fonction de densité de probabilités.
Cette méthode a été mise au point par le Statisticien Anglais Fisher.
Soit X 1 , X 2 ,..., X n et L(q ) = fonction du paramètre que nous voulons estimer.

L(q ) = f ( X 1 ,q ). f ( X 2 ,q ).... f ( X n ,q ) (II.21)

où f ( X i ,q ) est la probabilité que la première valeur aie une certaine probabilité, nous
avons vu qu’elle est aussi appelée « fonction de masse de probabilité ».

a) Par intervalle
Dans cette méthode, le hasard prône, d’où l’on se cherche des intervalles de confiance à partir
des observations.

1.4. Tests d’hypothèses

Définition II.16 : Hypothèse

« Une hypothèse est une déclaration que l’on fait sur le paramètre d’une distribution
ou d’un modèle ou de la forme d’une distribution. »[LUND 12]
 27

Prenons le cas d’une déclaration qui mentionne que la moyenne des étudiants de
l’UNILU est de 1,75 m.

Définition II.17 : Test d’hypothèse

« Un test d’hypothèse est une procédure ou une démarche qui consiste à rejeter ou à
ne pas rejeter une hypothèse appelée statistique. »[LUND 12]

Type de tests
Il en existe plusieurs, à savoir :
1. Test de conformité
Il consiste à confronter un paramètre calculé sur l’échantillon à une valeur pré
établie.
2. Test d’adéquation ou d’ajustement
Il consiste à vérifier la compatibilité que l’on a des données avec une distribution
choisie a priori.
Après avoir examiné l’échantillon, on prétend qu’il provient d’une population ayant
une distribution normale par exemple, alors on fera ce test pour infirmer cette hypothèse.
3. Test d’homogénéité ou de comparaison
Soient deux populations P1 et P2 . On dit que ces deux proviennent d’une même
population.
4. Test d’association ou d’indépendance
Il éprouve la liaison entre deux variables pour établir leur dépendance ou leur
indépendance l’une de l’autre.
Tous ces tests peuvent être paramétriques ou non paramétrique Et, Il en existe plusieurs.
Constitution de l’échantillon
Deux échantillons peuvent être indépendants.
La meilleure façon de se retrouver avec des échantillons indépendants est d’utiliser
l’E.A.S, mais dans notre travail ici nous utiliserons un échantillon de convenance pour les
raison que nous avons expliqué dans l’introduction de notre travail.

Etapes d’un test statistique

Il y a sept étapes dans un test statistique :
 28

Etape 1 : Formuler l’hypothèse

Nous signalons toujours deux hypothèses :
- H 0 : l’hypothèse nulle toujours supposée vraie, elle est une exception ;

- H 1 : l’hypothèse alternative qui est celle que l’on voudrait mettre en évidence. Les
deux hypothèses sont complémentaires.
Les hypothèses sont formulées de la manière suivante :
Quand nous avons H 1 : m ¹ m 0 (la valeur ponctuelle) Þ H O : m = m 0 . Et, là nous
allons faire un test bilatéral parce que lorsqu’on dit que m ¹ m 0 , cela veut dire que m > m 0 ou
m < m0 .
D’où, H 1 : m > m 0 Þ H 0 : m £ m 0 . Ce test est appelé unilatéral à droite ;

H 1 : m < m 0 Þ H 0 : m ³ m 0 . Ce test est appelé unilatéral à gauche.

Etape 2 : Identifier la statistique de test
A partir de l’échantillon que nous allons calculer la valeur de la statistique.
Par exemple, on pense que : H O : m = m 0
æ ö
ç ÷
ç x-m÷
On sait que z est normalement distribuée avec m = 0 selon (§§) z =
ç d ÷
ç ÷
è n ø

Etape 3 : Spécifier le niveau de signification ou le risque de se tromper ou encore le

niveau de l’erreur
Quand on prend une décision statistique, on fixe les erreurs de se tromper. Cela se
résume par le tableau suivant :

Tableau 1. Table des décisions et leur probabilité

ETAT REEL DE H 0

H 0 VRAIE H 0 FAUSSE
NE PAS REJETER H0 Décision juste ! Erreur de type II (b)
Actions ou
décisions
Erreur de type I (a )
REJETER H0 Décision juste !
ou risque
 29

a = P (Erreur type I)
a = P (Rejeter H 0 / H 0 vraie)
b = P (Erreur type II)
b = P (Non Rejet H 0 / H 0 fausse)
Ici il existe deux approches pour pouvoir spécifier le niveau de signification ou
l’erreur de se tromper :
i. Nous calculons la valeur de la statistique en se servant des données de l’échantillon.
Connaissant la distribution, nous calculons la probabilité que la v.a soit supérieure
ou égale à la variable de la statistique.
Nous supposons que z est la statistique de test calculée à partir des informations
contenues dans l’échantillon.
ii. z1-a la valeur critique, laquelle divise la zone de rejet avec la zone d’acceptation
Si z calculée est supérieure au z déterminée par a , nous le rejetons aussi
Etape 4 : Spécifier la règle de décisions
Ici par exemple, Si z calculée se trouve dans la zone critique, on rejette H 0
Etape 5 : Collectionner les données et effectuer les calculs sur cet échantillon ; cfr
notions sur l’échantillonnage ;

Etape 6 : Prendre une décision statistique (sous-entendu scientifique) ;

Etape 7 : Conclure i.e. soit rejeter l’hypothèse soit ne pas rejeter l’hypothèse.

2. Processus stochastiques

2.1. Généralités

Soit E un espace dénombrable, appelé espace d’états.

On appelle processus stochastique (ou aléatoire), une famille de variables aléatoires

X = X (t ) définies sur un même espace probabilisé (Ω, A, P) et dépendant du paramètre
temps noté t ÎT Ì h.[NTUM 13]

Notons que

1) T Ì h• désigne l’espace de temps ;

2) Donc un processus stochastique est une famille de variables aléatoires dépendant du
temps ;
 30

3) Un processus stochastique décrit donc l’évolution d’un système (économique,

physique,…) dans le temps.

Notations

Le processus stochastique peut se noter comme suit :

{X t }
: t Î T Ì R + = {X t , t ³ 0} = {X (t ), t ³ 0}.

D’où, X t = X (t ) est donc la réalisation du processus stochastique à l’instant t ³ 0 ou

encore l’état du processus stochastique à l’instant t.

Soit E = U X t (W)
tÎT

Þ E s’appelle l’ensemble de trajectoires du processus stochastique {X t , t ³ 0} . E est

mesurable en probabilités car les X t sont définies sur un espace probabilisé (Ω, A, P ) [NTUM
13]. Autrement dit tout processus stochastique est mesurable i.e il faut connaitre en avance la
probabilité du processus stochastique.

b) Classification des processus stochastiques

Cette classification se base sur les ensembles E et T

(1) S’il existe une fonction univoque entre T et h ie T n’est pas dénombrable et E est
univoque. On dit que le processus stochastique est continu dans le temps et continu
dans l’espace des états.
(2) Si T est univoque avec h• et E univoque avec une partie de •V

Alors le processus est continu dans le temps et discontinu dans l’espace des états. Ce
type de processus est appelé Processus de Poisson.

(3) Si T est univoque avec une partie de • et E univoque avec une partie de • aussi,

Le processus stochastique est discontinu dans le temps et discontinu dans l’espace

des états E . Il est appelé chaines de Markov.

(4) Si T univoque avec une partie de • et E univoque avec h• V

Alors le processus est discontinu dans le temps et continu dans l’espace des états E . on
parle des séries temporelles.
 31

2.2. Processus Markovien (PM)

Soit {X t , t ³ 0} un processus stochastique sur (Ω, A, P ) supposé continu en général

dans le temps et discontinu dans l’espace des états.

Un tel processus stochastique est dit « processus markovien » si et seulement si seules

les réalisations présentes influencent les réalisations futures.

Ce processus (PM) peut s’exprimer en termes de probabilités de transition.

t : instant quelconque du futur

t 0 : instant présent

t n : instant quelconque du passé

Dès lors {X t , t ³ 0} est un processus markovien si et seulement si

P[X (t ) = j / X (t 0 ) = i, X (t1 ) = i1 , X (t 2 ) = i2 ,..., X (t n ) = in ] = P[X (t ) = j / X (t 0 ) = i]

= Pij (t 0 , t ) (II.22)

Un processus markovien est dit homogène si P(t 0 , t ) = Pij (t - t 0 ) i.e les probabilités

de transition ne dépendent pas des instants t 0 et t mais de leur intervalle de temps.

Les processus markoviens sont encore appelés « processus markoviens à probabilités

de transition stationnaire ».

Le cas particulier d’un processus markovien est le Processus de Vie et de Mort

(PVM).

2.3 Chaines de Markov (CM)

Rappelons qu’un processus {X n , n ³ 0} est une collection des variables aléatoires à

valeurs dans X . La notion de processus est indissociable de celle des probabilités. Ainsi,
l’étude des chaines de Markov va reposer sur l’étude de la loi de X n +1 sachant que X n = x n .

1. Quelques définitions
Rappelons que Les 5 M ‘-sont appelés états. ‘ sera isomorphe à {1,..., k }, ou à •.
(cas d’une chaine des Markov).
Une mesure sur E est un vecteur ’ = (’& )&M“ tel que 0 £ li £ ¥. on parlera de

distribution de probabilité si ’” 1 = 1
On se donne un espace de probabilité (Ω, A, P ) .
 32

Une variable aléatoire X à valeurs dans E est une fonction X : W ® E . On pose

alors li = P( X = i )

Soit (q+ )+M•- une suite des variables aléatoires à valeurs dans E . Cette suite est une
Définition II.18

chaine de Markov si "n ³ 1 , et "i0 , i1 ,..., in , in+1 telle que P( X 0 = i0 ,..., X n = in ) > 0 , on ait

P( X n+1 = in+1 / X n = in , X n-1 = in-1 ,..., X 0 = i0 ) = P( X n+1 = in+1 / X n = in ) (II.23)

On parle dans ce cas d’abord d’une absence de mémoire.

Une chaine de Markov (q+ )+M•- est dite homogène (dans le temps) si
Définition II.19

P( X n+1 = in+1 / X n = in ) ne dépend pas de n.

La dynamique du processus est alors entièrement caractérisée par les
pi , j = P( X n+1 = j / X n = i ) , appelées probabilité de transition de l’état i à l’état j si la
(n )
chaine est homogène, ou plus généralement pi , j = P( X n+1 = j / X n = i ) . (II.24)

Définition II.20
On appelle matrice stochastique, ou matrice de transition P = ( pi , j , i, j Î E ) = pi , j ,[ ]
si chaque ligne Pi = ( pi , j , j Î E ) est une distribution de probabilité i.e å pi , j = 1.
n

i =1

Notons qu’à toute matrice de transision, on peut associer un graphe orienté. Les
sommets sont les états de la chaine, et l’orientation est donnée par la probabilité pi , j > 0 .

Nous pouvons donc dire qu’une suite de variables aléatoires (q+ )+M•- est une chaine
Définition II.21

de Markov de distribution initiale ’ et de matrice de transition pi , j si : [ ]

- X 0 pour distribution initiale ’,-i.e P( X 0 = i ) = li ;

- La probabilité que X n+1 = j sachant que X n = i est pi , j

Si (q+ )+M•- est une chaine de Markov de distribution initiale ’- de matrice de

Théorème (Propriété de Markov)

transition P , alors conditionnellement à X n0 = i, X n0 + n ( )nÎN

est aussi une chaine de Markov

de distribution initiale d i et de matrice de transition P , indépendante des variables aléatoires

{X 0 }
,..., X n0 .
 33

Proposition
Si P est une matrice stochastique et l une distribution de probabilités, alors
(lP ) j = å li pi , j est une mesure de probabilités.
i

[ ]
On notera P ( n ) = pi(,nj) la matrice de probabilités, en partant de l’état i en

l’instant 0 , d’arriver à l’état j à l’instant n .

pi(,nj) = P( X n = j / X 0 = i ), "i, j Î E .

Proposition
Si (q+ )+M•- est une chaine de Markov de distribution initiale l et de matrice
de transition P , "n, k Î N , alors

- P( X n = i ) = li P ( n) i

- P( X n+ k = j / X n = i ) = pi(,kj)

Théorème (Equation de Chapman-Kolmogorov 1)

$U M •,-"(+) = "+ .
Théorème (Equation de Chapman-Kolmogorov 1)
Si (q+ )+M•- est une chaine de Markov de distribution initiale l et de matrice
de transition P , "n, k Î N , "h = 1,..., k - 1 , alors

P( X n + k = j / X n = i ) = å P( X n + k = j / X n + h = u ) ´ P( X n + h = u / X n = i )
uÎE

En effet, P k = P h ´ P k -h , "h = 1,..., k - 1

Corollaire (Equation de Chapman-Kolmogorov 3)

Si pi(,kj) = P( X n+ k = j / X n = i ), alors pi(,kj) = å pi(,ku) ´ pu( k, j-n )
uÎE
 34

Chapitre III. Système Bonus-Malus (SBM)

1. Description d’un système Bonus-Malus

Le système bonus-malus n’est applicable qu’aux véhicules relevant de l’usage

«privé» ou «affaire». La prime d’assurance varie à chaque échéance principale du contrat.
En assurance automobile, un assureur doit établir un système de tarification de sorte
à être compétitif sur le marché tout en contrôlant le risque qu'il assume. Soit (q• )•M•- le risque
à tarifer (q• )•M•- -et la classe de tarif d'un risque.
Pour récompenser les bons conducteurs et pénaliser les mauvais, on a instauré ce
système répondant au principe :

- Le conducteur qui a déclaré moins d’un sinistre (pas de sinistre) se voit bénéficier
d’une réduction de sa prime à l’année tn+1 (bonus) ;

- Le mauvais conducteur qui a déclaré plus d’un sinistre verra sa prime augmentée à
l’année ℓn+1 (Malus).

Notons qu’en ce qui concerne la branche automobile, l’assurance de l’automobile est

obligatoire.

2. Fonctionnement du système Bonus-Malus de la SONAS

La SONAS a cessé d’utilisé le SBM depuis février 2015 suite au constat de sa non
rentabilité.
En effet, au lieu de rapporter des bénéfices à la SONAS, le personnel de la SONAS
n’a constaté que seuls les Bonus étaient attribués sans Malus ou surprimes. De cela, un
déséquilibre de la balance financière de la Société.
Son personnel nous a été d’une grande utilité parce qu’il nous a montré
effectivement comment on arrive à calculer un Bonus et par conséquent un Malus à la
SONAS. Il était de 5% sur la prime pure. La SONAS effectue la tarification avec comme
monnaie de référence le dollar US abrégé par USD
Illustration III.1 Calcul de la prime et Bonus pour un véhicule de classe 2
Soit un véhicule ayant de 4 places (ce qui est appelé dans le langage de la SONAS le
TTR (le Tiers Transporté)) et de force fiscale 8 CV avec 0 sinistre au courant de l’année
2012. Au renouvellement de son assurance pour la période 2013,
" = 110
En cas de Bonus : ˆé•O–.5LU = —˜
 35

™ C = 110 × 0,0— = —,—-š›œ

Prime pure avec rabais : ™ "• = 110 ~ —,— = 10ž,—-š›œ Ÿ 10—-š›œ
Frais de gestion ou chargement commercial, il vaut 51,51% de la prime pure avec
rabais.
= 10— × 0,—1—1 = —ž,0¡-š›œ- Ÿ —ž-š›œ
Le frais des imprimés qui est de-¢0-š›œ, nous le notons v£
Ils comprennent : le certificat que remettent la SONAS, la quittance ainsi que
d’autres frais.
"¤ = "• ¥ ¥ v£
™ "¤ = 10— ¥ —ž ¥ ¢0
™ "¤ = 1¦¡-š›œ
Avec l’introduction de la §¨% qui est de 1©˜ sur le total du prix du produit vendu.
§¨% = "¤ × 0,1©
™ §¨% = 1¦¡ × 0,1©
™ §¨% = ¢ª,©ž Ÿ ¢¡-š›œ
D’où, la prime à payer est alors la sommation de la prime commerciale avec la TVA
"Y = "¤ ¥ §¨%
™ "Y = 1¦¡ ¥ ¢¡ = ¢0ª-š›œ
Nous signalons que ce calcul n’est qu’à titre illustratif puisque la SONAS a déjà un
logiciel qui s’occupe de ce calcul.

3. Tarification en assurance automobile

L’objet de la tarification en assurance automobile est l’estimation du risque propre à

chaque police d’assurance afin de répartir équitablement la charge totale de la communauté
(portefeuille de l’assurance).

La tarification s’occupe de la prime pure et la prime chargée. Notons que :

- Lorsque le portefeuille d’assurance est hétérogène, l’actuaire doit le subdiviser en

classes homogènes (strates) car chacun des assurés doit contribuer en fonction du
risque qu’il fait courir à la communauté.

- Il faut certains critères sur base desquels sera faite la répartition des assurés en
classes homogènes. Ces critères sont appelés « caractéristiques du tarif ».
 36

La SONAS se base sur quatre critères pour pouvoir fixer un tarif à l’individu qui
veut assurer son véhicule : la puissance fiscale du véhicule en CV, l’âge du véhicule, le type
de contrat auquel il souscrit, le nombre de places du véhicule (TTR). Ces critères et leurs
valeurs sont mentionnés dans le tableau 2.

La SONAS est une société commerciale pour dire qu’elle vend des produits. Et,
parmi les huit types de produits que vend la SONAS, l’Assurance R.C automobile regorge
huit types de tarifs :

tarif I particuliers ou privés

tarif II Entreprises

tarif III engins de chantier et camions

tarif IV taxis

tarif V corbillards et transport en commun

tarif VI véhicules citerne

tarif VII véhicules à deux ou trois roues (motos)

tarif VIII risques spéciaux (voiture d’auto-école, de démonstration, de gardiennage,

de sports, de location et blindés)

Comme l’un de mot clé de l’intitulé de notre Travail, le tarif I. il est applicable aux
véhicules automoteurs destinés à la promenade, l’agrément, le tourisme, les déplacements à
caractère non commercial.

Les types de voiture à usage privé : les jeeps, camionnettes, fourgonnettes, minibus,
véhicule normal.
 37

Tableau 2 : Tarif I. PARTICULIERS OU PRIVES

Tous risques
Garanties
Responsabilité Civile (R.C)
Force fiscale vétusté
CLASSE
(CV) 0-5 ans 6 ans et plus
Prime Pure en Prime Pure en
Incendie
USD USD
1 1–5 78 85
Vol
2 6–9 101 110

3 10 – 13 136 149
D.M
4 14 – 17 182 200

5 18 et plus 252 276

Source : Direction Provinciale/SONAS KATANGA

En plus de ce tableau, la SONAS nous a fourni les statistiques générales des sinistres
déclarés de l’année 2007 à 2012, (voir tableau 3 et fig. 1).

Tableau 3 : Sinistres déclarés période 2007-2012

Nbre
Année Sinistres
déclarés
2007 1381
2008 1263
2009 1145
2010 706
2011 710

2012 690

Source : Direction Provinciale/SONAS KATANGA

 38

Ce tableau nous permet de voir l’évolution du nombre de déclarations des sinistres.

1600
1400
1200
1000
800
600 évolution du
400 nombre de sinistres
200 déclarés
0
2007 2008 2009 2010 2011 2012
fig. 1 Evolution du nombre de sinistres déclarés de 2007-2012

Par ce graphique, nous pouvons comprendre que la SONAS, depuis 2010, a connus
une grande stabilité par rapport aux déclarations des sinistres par ses assurés. Nous ne
pouvons pas dire que l’urbanisation à elle seule qui a fait ses preuves parce qu’il y a d’autres
facteurs qui permettent de se faire une idée de cette stabilité.

Nous citons : un système de tarification optimale tel que le Bonus-Malus, lequel

système active la prudence des chauffeurs sur les artères de la ville, les campagnes de
sensibilisation à la bonne conduite, etc.

4. Modélisations

4.1. Pour le taux et les coûts de sinistres

L’assurance utilise en général deux approches pour modéliser le taux de sinistres

d’un ensemble de contrats vu le type d’informations disponibles et recherchés par l’assureur,
à savoir : le modèle individuel et le modèle collectif.
a) Le modèle individuel
Considérons une classe C de K contrats. Soit S la v.a charge sinistres de la classe C
au cours d’une période considérée t (la période t est souvent annuelle).

Pour i = 1,2,..., K , Si désigne la v.a montant cumulé des sinistres du i

ème
contrat
pendant la période considérée t .
K
Dans ce modèle, S = åS i (III .1) .
i =1

A la fin de la période donnée t , nous pouvons connaître individuellement la

sinistralité de chaque contrat, la distribution de probabilités, et les principales caractéristiques
 39

de la charge sinistre totale S sont, à partir de celle de (S1 , S 2 ,..., S K ) , supposées connues. La
faiblesse de ce modèle est qu’elle est subjective.
b) Le modèle collectif
Cette approche est caractérisée par la non distinction des contrats et la non obligation
de connaître les charges sinistres individuelles. C’est ce modèle qui est utilisé en assurance
automobile vu que l’assurance automobile repose sur le principe de la solidarité par la
mutualité comme nous l’avons mentionnée dans la section (2.3) du premier chapitre parlant
des mécanismes de l’assurance.
Soit la charge sinistre X de la classe C . Le montant cumulé des sinistres X i de la
N
classe C , s’écrit donc : S = åX i (III .2)
i =1

Où N est v.a nombre ou fréquence de sinistres … à la classe C lors de la période t

considérée ;
( X i )i est la suite des v.a montants individuels de sinistre (dans l’ordre
chronologique) ;
Notons aussi que X 0 = 0
Le montant cumulé des sinistres S dans le modèle collectif a deux composantes : la
fréquence de sinistres ainsi que le coût de sinistres.
1- Modélisation de la fréquence de sinistres
Commentaires sur différentes lois
Pour pouvoir modéliser une fréquence des sinistres, il existe trois lois de probabilités
usuelles utilisées déjà mentionnée dans le deuxième chapitre : la distribution binomiale
B(n, p) , la distribution de Poisson P(l ) , distribution binomiale négative BN (r , p).
· La distribution binomiale B(n, p) est appliquée le plus souvent lorsque le paramètre
n est donné. Sa difficulté réside dans le fait que E( N ) > V ( N ) , or dans l’ANV, c’est
l’inégalité inverse qui est le plus souvent rencontré dans les données empiriques.
· La loi de Poisson quant à elle est la loi fondamentale de l’ANV vu les avantages
suivants qu’elle présente : unique paramètre facilement compréhensible et estimable, elle est
à la base des distributions Poisson-mélange et de l’élaboration d’un système Bonus-malus, …
· Ses inconvénients sont qu’elle est moins flexible en raison de son unique paramètre,
l’égalité entre E ( N ) = V ( N ) peut être contraignante, sa queue de distribution est légère.
 40

· Dans le cas de la distribution binomiale négative BN (r , p), la condition

V ( N ) > E ( N ) la rend facilement utilisable dans la pratique. Elle est donc plus flexible que la
loi de Poisson grâce à ses deux paramètres. Elle permet donc de modéliser naturellement la
distribution de la fréquence de sinistres d’un contrat d’une classe hétérogène de risques.
2- Modélisation des couts des sinistres
Commentaires sur les lois utilisées
· La loi exponentielle e( q ) est très simple d’utilisation mais présente une queue de
distribution très légère, ce qui ne lui permet pas la modélisation des coûts de la plupart des
garanties en assurance non-vie.
· La distribution LogNormale LogN (m , s 2 ) est la plus utilisée en assurance non-vie et
en réassurance.
· La distribution Gamma g(a ,b) est l’une des distributions classiques en assurance
non-vie, elle s’adapte efficacement à la modélisation des lois dont la queue de distribution
n’est pas trop épaisse.
· La loi Normale N ( m , s 2 ) , comme dit précédemment, ne présente pas d’utilité
lorsque la modélisation du montant individuel de sinistre est souhaitée en raison de sa
symétrie, mais sera utilisée pour la modélisation de la charge sinistre.

4.2.En chaines de Markov

Le parcours d'un assuré dans une échelle bonus-malus à classes se décide aisément à
l'aide de la modélisation en chaîne de Markov. Considérons une échelle à s classes
numérotées de 1 à s ordonnées selon leur le coefficient de réduction-majoration auquel elles
donnent droit ; la classe 1 étant celle donnant le droit à la plus forte réduction de prime.
Les règles de passage d'une classe à une autre dépendent, le plus souvent, du nombre
de sinistres responsables causés dans l'année et plus généralement de l'historique sinistres
dans sa globalité (par exemple, dans le SBM français, on perd automatiquement tout malus au
bout de deux années sans sinistre responsable).
En dédoublant les classes, il est souvent possible de se ramener dans une situation où
les règles de passage d'une classe à une autre dépendent exclusivement de la classe de départ
et du nombre de sinistres causés dans l'année.
Nous nous plaçons dans cette situation dans la suite de ce paragraphe.
 41

Modèle
Le parcours de cet assuré dans l'échelle peut être modélisé par le processus
L = (Lk )kÎN (III.3)

où Lk désigne la classe occupée par l'assuré durant la (k + 1) -ème période.

Aussi, la matrice est la matrice de transition de la chaîne de Markov décrivant le
parcours de l'assuré dans l'échelle bonus-malus. Dans la suite, nous nous placerons sous
l'hypothèse que pour un facteur de risque donné, la probabilité de passer d'un degré de
l'échelle à un autre reste constante au cours du temps. Sous cette hypothèse la chaîne de
Markov est donc homogène.
La chaîne de Markov est ergodique si on peut atteindre, avec une probabilité
strictement positive, n'importe quel état i à partir de n'importe quel autre état j au bout d'un
temps t.
Elle est souvent de plus régulière et elle admet toujours une distribution stationnaire.
5. Construction et signification des variables du modèle

5.1. Données et variables

Notre base de données nous provient des fichiers de la SONAS qui est, comme nous
l’avons signifié dans notre tout premier chapitre, la compagnie d’assurances détenant le
monopole du marché dans le pays. Pour chaque assuré, nous avons pu dégager les
informations suivantes :
- le sexe du sinistré ;
- la localité où il réside ;
- la puissance fiscale du véhicule ;
- la garantie à laquelle il souscrit ;
- les dates des sinistres pour la période 2007 à 2012;
- la responsabilité du sinistré dans l’accident
La variable que nous tentons d’expliquer est la suivante (variable dépendante) :
nombre d’accidents annuels avec responsabilité. C’est une variable discrète, prenant des
valeurs non négatives, qui ne dépassent généralement pas deux (dans notre cas).
Ces variables explicatives sont décrites dans le tableau ci-après :
 42

5.2. Attentes vis-à-vis des coefficients

Tableau 4 : fréquence de sinistres suivant le sexe des sinistrés

Sexe Nbre Fréquence

M 46 0,94
F 3 0,06
N 49 1,00

1,00 0,94
fréquence de sinistre

0,80
0,60
0,40
0,20 0,06
0,00
M F
Sexe des sinistrés
fig. 2 fréquence de sinistres par sexe

Nous ne pourrions pas nous baser sur le paramètre sexe du sinistré pour établir une
table Bonus-Malus vu la subjectivité. Près de 95% des personnes qui conduisent à
Lubumbashi sont des hommes et il n’y a que 6% des femmes, donc une fréquence minime
mais à ne pas déconsidérer parce que de plus en plus les femmes commencent à se lier au
secteur automobile. Sur place à la SONAS, suivant les observations, ce sont les femmes de la
trentaine qui connaissent plus des sinistres. Quant aux hommes, ceux âgés de la vingtaine à la
quarantaine qui connaissent le plus grand nombre des sinistres. Nous ne savons donner les
raisons parce que cela fait partie de l’aptitude des socialistes.(fig2)

Tableau 5 : fréquence de sinistres suivant la commune de provenance des sinistrés

Nbre de
Commune Fréquence
sinistres
Annexe 11 0,22
Kamalondo 1 0,02
Kampemba 10 0,20
Katuba 2 0,04
Kenya 0 0,00
Lubumbashi 24 0,49
Ruashi 1 0,02
N 49 1,00
 43

Fréquence de sinistre 0,60

0,49
0,50
0,40
0,30 0,22 0,20
0,20
0,10 0,02 0,04 0,02
0,00
0,00

Commune de Lubumabshi
fig. 3 Fréquence de sinistres déclarées par commune 2013

Tableau 6 : fréquence de sinistres suivant l’âge du véhicule des sinistrés

Nbre de
Vétusté(An) Fréquence
sinistres
[0-5] 9 0,18
[6 et plus] 40 0,82
N 49 1,00

0,90 0,82
Fréquence de sinistres

0,80
0,70
0,60
0,50
0,40
0,30 0,18
0,20
0,10
0,00
[0-5] [6 et plus]

Vestusté ou âge du véhicule (an)

fig. 4 Fréquence de sinistres par rapport à l'âge du
véhicule

Statistiquement parlant, le tableau des fréquences de sinistres suivant la force fiscale

du véhicule des sinistrés, nous montre que les véhicules connaissant les plus de sinistres au
courant d’une année sont ceux de classe 2 soit 47% suivis de ceux de classe 3 soit 37%. Cela
est vrai car la ville de Lubumbashi est remplie des véhicules provenant de l’Est notamment
de Dubai et de Japon (Mark II). En observant les fiches de déclaration des sinistres de la
SONAS, nous avons remarqué cela.
 44

Tableau 7 : fréquence de sinistres suivant la force fiscale du véhicule des sinistrés

Force Fiscale Nbre de

Fréquence
(CV) sinistres
[1-5] 1 0,02
[6-9] 23 0,47
[10-13] 18 0,37
[14-17] 6 0,12
[18 et plus] 1 0,02
N 49 1,00

0,50 0,47
0,45
fréquence de sinistres

0,40 0,37
0,35
0,30
0,25
0,20
0,15 0,12
0,10
0,05 0,02 0,02
0,00
[1-5] [6-9] [10-13] [14-17] [18 et plus]

Puissance fiscale (CV)

fig. 5 Fréquence de sinistres par rapport à la puissance fiscale

Tableau 8. Tableau nombre des véhicules assurés 2007 à 2013

2013 2012 2011 2010 2009 2008 2007

Total des
9026 8894 7725 8061 7697 14380 9104
assurés
Source : DP / SONAS Katanga
 45

Chapitre IV. Applications et Interprétation des résultats

1. Estimations des résultats

1.1.Test d’adéquation

Tableau 9. Résultat par le modèle de Poisson 2007 à 2013

Nbre de sinistres par Nbre prédit d'individus

Période
t
l̂ t individu ayant k sinistres
Modèle de Poisson
Sinistre Plus d'un Sinistre Plus d'un
k=0 sinistre k=1 k=0 sinistre k=1
2007 0,15169 7723 1381 6636,02 1186,63
2008 0,08783 13117 1263 12014,08 1156,80
2009 0,14876 6552 1145 5646,36 986,73
2010 0,08758 7355 706 6738,25 646,80
2011 0,09191 7015 710 6398,99 647,65
2012 0,07758 8204 690 7591,60 638,49

Nous allons faire un test d’adéquation pour savoir quelle loi suit suivent ces
données ; c’est le test du chi-carrée qui représente mieux si oui ou non nous sommes en face
d’une loi de Poisson
Nous allons confirmer ou infirmer notre hypothèse.
- H 0 : les sinistres suivent la loi de Poisson ;

- H 1 : les sinistres suivent la loi binomiale.

Nous spécifions le niveau d’erreur est : a = 0,05 .
Définition : degré de liberté
Le degré de liberté, c’est le nombre de données indépendantes moins le nombre de
paramètres estimés. Noté dl=n-1=1 avec n=2 nombre maximal des sinistres (nous avons pris
cela parce qu’on a supposé plus d’un sinistre).
Les variances calculées au niveau de chaque année valent :
Tableau 10. Résultat des chi 2007 à 2013

Période l̂ i c i2
2007 0,15169 474,875748
2008 0,08783 4,69922188
2009 0,14876 11,8094569
2010 0,08758 2,62888622
2011 0,09191 2,90326398
2012 0,07758 2,0316251
 46

c 2 0,95;1 = 3,9 @ 4

Au vue de ce que nous avons dit dans la sous-section (1.4) de la première section du
deuxième chapitre concernant le test d’hypothèse, nous admettons que notre distribution des
sinistres suit la loi des Poisson car la moitié des valeurs des chi calculés au niveau des
échantillons est inférieur à 4 à partir de l’année 2010. Cela même appuie notre étude car, en
regardant les statistiques (voir fig.1), nous avons observé que le taux de sinistre a connu une
stabilisation.

1.2.Illustration de la Table Bonus-Malus à la SONAS

Tableau 11 : Table de coefficients bonus-malus selon le système de tarification de la SONAS

Y=0 Y=1 Y=2 Y=3 Y=4 Y=5
2007 1,00
2008 0,95 1,05 1,10 1,15 1,20 1,25
2009 0,90 1,00 1,05 1,10 1,15 1,20
2010 0,85 0,95 1,00 1,05 1,10 1,15
2011 0,80 0,90 0,95 1,00 1,05 1,10
2012 0,75 0,85 0,90 0,95 1,00 1,05

Ceci est la table en fonction de l’illustration (III.1) que nous avons eu à considérer d’un
individu i qui se présente aux services de la SONAS pour assurer son automobile de force fiscale 8CV
et de 4 places.

Cette table Bonus-Malus exprime comment évolue ou peut évoluer les bonus et les malus
d’un sinistré dont on ne tient pas compte des paramètres individuels tels que son sexe, sa commune de
provenance, etc

Tableau 12 : Table des primes coefficients bonus-malus selon le système de tarification de la

SONAS
Année
Y0 j Y1 j Y2 j Y3 j Y4 j Y5 j
j
2007 110,00
2008 104,50 115,50 121,00 126,50 131,50 137,00
2009 99,00 110,00 115,50 121,00 126,00 131,50
2010 93,50 104,50 110,00 115,50 120,50 126,00
2011 88,00 99,00 104,50 110,00 115,00 120,50
2012 82,50 93,50 99,00 104,50 109,50 115,00
 47

1.3. Elaboration d’une table Bonus-Malus optimal

On peut élaborer une table Bonus-Malus optimal.

Le but est de pouvoir donc d’ajuster les primes individuelles à travers le temps. Un
tel système est optimal dans la mesure où chaque assuré aura à payer une prime
proportionnelle à sa fréquence de déclaration de sinistre et où les assureurs sont à l’équilibre
financier.
Un SBM est optimal s’il est :
- Equitable i.e il utilise la théorie bayésienne ;
- Equilibré i.e il fait payer à chaque assuré une prime proportionnelle à ses
sinistres.
Vérifions à l’aide du théorème de Bayes de (II.4) que si la distribution a priori de l
(nombre de sinistre) est une distribution Gamma de paramètre g(a ,b) ; alors la distribution a

posteriori l’est également avec paramètres (a + Yi , a + li ) suivant les propriétés de la semi-

additivité de cette loi (Propriété II.7).
Supposons que la fréquence d’accidents d’un individu i pour la période j est

lij (X i j , u i ) qui est la fonction des caractéristiques de l’individu à la période j représenté par

(
le vecteur X i j = X i1 j ,..., X ikj )
Où ui est une variable aléatoire ayant une fonction de densité de distribution f (u i ).
Nous voulons calculer le meilleur estimateur de la vraie distribution du nombre
d’accident à la période t + 1 .
Il a été montré par Dione et Vanasse (1989) que le meilleur estimateur est égal à :
¥
lti (Yi1 ,..., Yi t ; X i1 ,..., X it +1 ) = ò lti +1 (X it +1 , u i ) f (lti +1 / Yi1 ,..., Yi t , X i1 ,..., X it +1 )dlti +1 ; [GHAL 01]
0

(IV.1)
Où par le théorème de Bayes voir (II.4) :

( )
f lti +1 / Yi1 ,..., Yi t , X i1 ,..., X it +1 =
( )( ( ))
P (Yi1 ,..., Yi t ) / lti +1 , X i1 ,..., X it f lti +1
[ 1 t
P (Y ,..., Yi ) / X
i
1
i ,..., X ]
i
t
(IV.2’)

¥
[ ]
Où P (Yi1 ,..., Yi t ) / X i1 ,..., X it = ò P((Yi1 ,..., Yi t ) / lti +1 , X i1 ,..., X it )( f (lti +1 ))dlti +1 (IV.2)
0

Yi j représente le nombre d’accidents d’un individu i à la période j .

 48

Lorsque nous appliquons le modèle de distribution binomiale négative, la probabilité

( )
de la séquence Yi1 ,..., Yi t sera une distribution de Poisson à t dimension.
Ainsi, après développement, l’estimateur bayésien optimal de la fréquence qu’un
individu i connaisse un accident est donné par :
é a + Yi ù
lti (Yi1 ,..., Yi t ; X i1 ,..., X it +1 ) = l&ti ê ú (IV.5)
ëa + l û

Pour t = 0, lˆti = l&ti = exp X it b ( )

Propriété (IV.1) du système de primes
- La prime ne dépend que du nombre total d’accidents sur les t années
- Le système est financièrement équilibré i.e E (l&ti ) = l&ti

é a + Yi ù
l&ti ê ú
ëa + l û
où l&ti la prime de base qui est la fréquence a priori

é a + Yi ù
ê ú le facteur Bonus-Malus qui est la fréquence a posteriori.
ëa + l û
La valeur du facteur Bonus-Malus est toujours égale à 1 au départ dans la table.
6. Interprétation des résultats

Nous avons constaté que plus localité est urbanisé, plus il y a des sinistres à cause
des excès de vitesse. D’où aux autorités compétentes de prendre des dispositions qui
s’imposent afin de remédier à ce souci.

Une autre difficulté qui réside aussi est que la plupart de ceux qui connaissent les
accidents ou sinistres ne sont pas propriétaires des véhicules. Par cela, nous ne pouvons pas
conclure que nous baser sur le facteur « responsabilité de l’assuré dans l’accident » pour
pouvoir analyser la tarification.

Un autre facteur que nous pouvons analyser est la commune de résidence de

l’assuré. En effet, en regardant l’échantillon de convenance en notre possession, nous
pouvons comprendre que se baser sur cette caractéristique serait subjectif dans notre
contexte. Mais en considérant le fait que l’assuré soit responsable du sinistre, nous disons que
si nous appliquons rigoureusement le SBM en cours sur ce paramètre, les assurés habitant la
commune de Lubumbashi devront voir leur bonus réduit et leur malus augmenté dans le but
de pouvoir stimuler leur sens de responsabilité sur les artères de la ville. Cependant, ceux
 49

habitant Katuba et ceux des alentours (commune Annexe, Likasi, Kolwezi, Kipushi,
Kasumbalesa, …) devrait avec des bonus et des malus équivalents. (Tableau 5)

Nous ne pouvons pas dire que payer des bonus ou des malus suivant la localité de
provenance serait efficace parce scientifiquement parlant les habitants de la ville de
Lubumbashi ne sont pas répertorié dans un fichier commun permettant de retrouver une
personne impliquée dans plusieurs sinistres et reviendrait pour s’inscrire pour l’assurance
dans lors de la nouvelle période. Voilà pourquoi la SONAS ne se base pas sur l’identité de
l’assuré pour arriver à le fixer une prime.
 50

Conclusion

En conclusion, la société doit réajuster l’évolution des Bonus et des Malus c’est-à-
dire que ce réajustement ne soit plus facteur du nombre de sinistres soit 5% sur la prime pure
mais de l’élaboration d’une nouvelle table Bonus-Malus qui sera cette fois appliquée de
manière vigoureuse grâce au modèle de poisson ou binomiale négative avec composantes de
régression. Le besoin crucial pour la réussite de ce système Bonus-Malus est l’information de
la base de données de ladite société et cela dans les prochains jours vu la concurrence qui sera
déclenchée d’ici peu. Comme il y avait un problème de manque de communication
informatique entre le service des sinistres et le service commercial, on pourra lors de la venue
d’un client, au moyen des données telles que le numéro de la plaque, du châssis, et de sa
police d’assurance, extraire les informations sur son passé et directement le tarifier.
Nous nous mettons en réserve par rapport au travail de Ghali N. duquel nous avons
poursuivi presque le même objectif. La Tunis et la RDC ne traversent pas les mêmes réalités
et les époques d’étude ne sont pas les mêmes. Les facteurs qu’elle a eu à utiliser sont
respectés par la SONAS sauf celui de la Commune de provenance. Eu égard au tableau 6 et
au graphique (fig. 6) nous affirmons que la fréquence des sinistres n’a aucun lien avec la
commune de provenance, cela est dû au fait que la difficulté d’identification dans notre pays
fait à ce qu’on ne peut pas se baser sur ce critère. Cela deviendrait subjectif lorsqu’il faudra
établir une table Bonus-Malus en fonction de cette variable. L’on parlera simplement d’une
discrimination ou d’une injustice sociale.
Quant à l’efficacité du système Bonus-Malus appliqué par la SONAS, nous disons
qu’elle ne l’est pas encore mais elle peut l’être si certains facteurs entre en jeu tels que
l’informatisation des données, l’instauration d’un système de permis biométrique à point
comme cela se fait dans d’autres pays vu que le sinistré qui atteint le niveau de danger pour la
circulation peut se voir retirer son permis même si cela ne résoudra peut-être pas le problème.
Un facteur important est l’élaboration d’une nouvelle table Bonus-Malus selon l’âge du
véhicule parce qu’il a été constaté que plus un véhicule vieilli, plus il a des chances de
connaitre des accidents (Tableau 6 et fig 4). Ce sont les voitures qui ont plus de cinq ans de
circulation qui connaissent plus de sinistre, soit 82% contre 18% de ceux de la première
classe d’âge.
Enfin nous pensons que la SONAS a besoin d’un bon nombre d’actuaires pour se
préparer à faire face à la concurrence et surtout à relever les défis tout en montrant aux
assurés congolais l’intérêt de la faire confiance.
 51

BIBLIOGRAPHIE

1. [AI 14] Afriqueinfos.com/articles/2014/03/27/

2. [GHAL 01] Ghali O. (2001), Un Modèle de Tarification Optimale pour l’Assurance
Automobile dans le Cadre d’un Marché Réglementé : application à la Tunisie, HEC,
Montréal.
3. [LUND 12] M. Lunda (2012), Cours d’Introduction Statistique G3 Mathématiques
(2011-2012), UNILU, Lubumbashi, Inédit.
4. [MABE 15] R. Mabela (2010), Cours de Théorie Mathématique des Assurances,
UNIKIN, Kinshasa, Inédit.
5. [NTUM 13] B. Ntumba (2013), Cours de Probabilités Appliquées L1 (2012-2013),
UNILU, Lubumbashi, Inédit
6. [NGUY 08] T.T.-V. Nguyen (2008), Flottes Automobiles : un Nouveau Modèle de
Tarification, Impact de la Conservation sur la Distribution du Ratio Sinistres à
Primes, CNAM
7. [SISB 09] N. ES SIS-BRETON (2009), Méthodes du calcul de la prime : Bonus-
malus, Réassurance, Système aléatoire à liaisons complètes, Mémoire présenté,
UQAM.
 52

LISTE DES TABLEAUX-FIGURES

A. Liste des Tableaux

Tableau 1 .................................................................................................................................. 28
Tableau 2 .................................................................................................................................. 37
Tableau 3 .................................................................................................................................. 37
Tableau 4 .................................................................................................................................. 42
Tableau 5 .................................................................................................................................. 42
Tableau 6 .................................................................................................................................. 43
Tableau 7 .................................................................................................................................. 44
Tableau 8 .................................................................................................................................. 44
Tableau 9 .................................................................................................................................. 45
Tableau 10 ................................................................................................................................ 45
Tableau 11 ................................................................................................................................ 46
Tableau 12 ................................................................................................................................ 47

B. Liste des figures (graphiques)

Figure 1 .................................................................................................................................... 28
Figure 2 .................................................................................................................................... 37
Figure 3 .................................................................................................................................... 43
Figure 4 .................................................................................................................................... 43
Figure 5 .................................................................................................................................... 44
 53

Table des matières

Epigraphe ...………………………………………………………………………………….. i
Dédicace…………………………………………………………………………………….. ii
Avant-Propos ………………………………………………………………………………. iii
INTRODUCTION GENERALE ............................................................................................... 1
1. CHOIX ET INTERET DU SUJET ................................................................................. 1
2. PROBLEMATIQUE ....................................................................................................... 2
3. Méthodes et techniques ................................................................................................... 2
4. SUBDIVISIONS ............................................................................................................. 2
1. Subdivision Spatio-temporelle .................................................................................... 2
2. Subdivision chapitrale ................................................................................................. 3
Chapitre I. Généralité sur la SONAS-Système Bonus-Malus ................................................... 4
1. Brève présentation de la SONAS .................................................................................... 4
1.1. Notice historique sur les assurances ............................................................................ 4
1.2. Brève présentation de la SONAS ................................................................................ 4
2. Termes d’assurances ....................................................................................................... 6
5. L’Assurance, quid ? ........................................................................................................ 9
3.1 Définition du concept « Assurance »............................................................................ 9
3.2. Principe fondamental de l’assurance ........................................................................... 9
3.3. Mécanismes de l’assurance ......................................................................................... 9
3.4. Subdivision des assurances ........................................................................................ 10
CHAPITRE II. Lois de probabilité-Processus stochastiques (Chaines de Markov) ................ 12
1. Lois de probabilité ............................................................................................................ 12
1.1. Quelques rappels de probabilité ................................................................................ 12
1.2. Variables aléatoires et distributions (lois) de probabilités......................................... 15
1.3. Théorie d’estimation .................................................................................................. 24
1.4. Tests d’hypothèses ..................................................................................................... 26
2. Processus stochastiques .................................................................................................... 29
2.1. Généralités ................................................................................................................. 29
2.2. Processus Markovien (PM) ....................................................................................... 31
2.3 Chaines de Markov (CM) ...................................................................................... 31
Chapitre III. Système Bonus-Malus (SBM)............................................................................. 34
1. Description d’un système Bonus-Malus ....................................................................... 34
 54

2. Fonctionnement du système Bonus-Malus de la SONAS ............................................ 34

3. Tarification en assurance automobile ........................................................................... 35
4. Modélisations ................................................................................................................ 38
4.1. Pour le taux et les coûts de sinistres ...................................................................... 38
4.2. En chaines de Markov ........................................................................................... 40
5. Construction et signification des variables du modèle ................................................. 41
5.1. Données et variables .................................................................................................. 41
5.2. Attentes vis-à-vis des coefficients ............................................................................. 42
Chapitre IV. Applications et Interprétation des résultats ......................................................... 45
1. Estimations des résultats ............................................................................................... 45
1.1. Test d’adéquation .................................................................................................. 45
1.2. Illustration de la Table Bonus-Malus à la SONAS................................................ 46
1.3. Elaboration d’une table Bonus-Malus optimal ...................................................... 47
6. Interprétation des résultats ............................................................................................ 48
CONCLUSION ........................................................................................................................ 50
BIBLIOGRAPHIE ................................................................................................................... 51
Liste des tableaux-figures…………………………………………………………………… 52