Académique Documents
Professionnel Documents
Culture Documents
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.
- 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
1. Hypothèses
3. Méthodes et techniques
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
2. Subdivision chapitrale
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.
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).
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.
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
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
c) Structure organique
- Direction Financière
- Direction Administrative
- Direction du Personnel
- Direction Médicales
- Direction Automobile
- Direction Vie
- Direction de Réassurance
6
2. Termes d’assurances
a) Assurance
b) Sinistre
c) Risque
d) Coassurance et réassurance
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.
e) Notion de prime
La prime se subdivise en :
d
P * (t ) =
(1 + Q ) ou
P
d
P * (t ) =
(1 + Q ) (I.2)
E [ X (t )]
8
Notons que :
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.
- 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
g.2) Nota
5. L’Assurance, quid ?
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 ».
- 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 ;
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.
- les assurances de dommage (ou assurance-non vie) telles que accidents, les incendies,
etc.
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)
- Direction Incendie
- Direction Transport
1. 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 ».
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
Dans le cas où ! est fini, Elle correspond à la notion intuitive de probabilité appelée
c) Définition II.3
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
+ +
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
e) Probabilités conditionnelles
( A)´ P( A)
Mais, en général on utilise la relation dans le sens P( A Ç B) = P B
e5) Caractérisation
f) Théorème de Bayes
Preuve :
"(HX IE) =
Y(\^ 2Z)
Y(Z)
et on applique la formule des probabilités totales
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.
- Lois discrètes ;
- Lois continues.
Une variable aléatoire X est une fonction de W dans h,- (W, P ) étant un espace
probabilisé.
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.
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)
Cette fonction vous permet de calculer toutes les probabilités relatives aux intervalles.
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.
Définition II.13
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
b
Si f est définie sur [a, b] E ( X ) = ò xf (x )d (x )
a
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
Définition II.14
On appelle écart-type de X , noté s ( X ), la quantité
s( X ) = V ( X ) (II.11)
Cette liste est aussi appelée Fonction de masse de probabilité, appelée également
Fonction de probabilité.
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& ).
1. Œ x "(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
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]
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
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)
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]
å Xi å (1- X i )
Si n essai ® p i =1 (1 - p) i =1
21
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 )
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®¥
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
Elle a pour paramètres m Î Â et s > 0 . La v.a.c X suit une loi LogNormale LogN( m,s 2 ) si
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
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).
a) Echantillonnage
(1) Echantillonnage
Par ailleurs, un échantillonnage est aussi l’ensemble des techniques qui consistent à
sélectionner un sous-ensemble aléatoire ou non biaisé d’individus.
(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
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
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.
b.1) Ponctuelle
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.
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.
Prenons le cas d’une déclaration qui mentionne que la moyenne des étudiants de
l’UNILU est de 1,75 m.
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.
- 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 ;
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 7 : Conclure i.e. soit rejeter l’hypothèse soit ne pas rejeter l’hypothèse.
2. Processus stochastiques
2.1. Généralités
Notons que
Notations
Soit E = U X t (W)
tÎT
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.
(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,
Alors le processus est discontinu dans le temps et continu dans l’espace des états E . on
parle des séries temporelles.
31
= 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
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
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
Une chaine de Markov (q+ )+M•- est dite homogène (dans le temps) si
Définition II.19
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
{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
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)
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
- 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).
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
- 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 II Entreprises
tarif IV taxis
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
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
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).
Nbre
Année Sinistres
déclarés
2007 1381
2008 1263
2009 1145
2010 706
2011 710
2012 690
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.
4. Modélisations
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
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)
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
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)
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
Commune de Lubumabshi
fig. 3 Fréquence de sinistres déclarées par commune 2013
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]
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]
1.1.Test d’adéquation
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 ;
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.
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
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
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.
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
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
Figure 1 .................................................................................................................................... 28
Figure 2 .................................................................................................................................... 37
Figure 3 .................................................................................................................................... 43
Figure 4 .................................................................................................................................... 43
Figure 5 .................................................................................................................................... 44
53
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