Académique Documents
Professionnel Documents
Culture Documents
Pierre-Olivier GOFFARD*
1
Table des matières
1 Introduction 2
I Qu’est ce que la théorie de la ruine ? . . . . . . . . . . . . . . . . . . 2
II Modèle individuel et modèle collectif . . . . . . . . . . . . . . . . . . 3
II.1 Le modèle individuel . . . . . . . . . . . . . . . . . . . . . . . 3
II.2 Le modèle collectif . . . . . . . . . . . . . . . . . . . . . . . . 3
III La base de la théorie de la ruine . . . . . . . . . . . . . . . . . . . . . 4
III.1 Processus de réserve et de surplus . . . . . . . . . . . . . . . . 4
III.2 Probabilité de ruine . . . . . . . . . . . . . . . . . . . . . . . . 4
III.3 Le chargement de sécurité . . . . . . . . . . . . . . . . . . . . 6
2 Distributions composés 7
I Quelques rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
II Distribution du nombre de sinistres . . . . . . . . . . . . . . . . . . . 8
II.1 Famille de Panjer . . . . . . . . . . . . . . . . . . . . . . . . . 9
II.2 Algorithme de Panger . . . . . . . . . . . . . . . . . . . . . . 10
III Distribution pour les montants . . . . . . . . . . . . . . . . . . . . . . 12
III.1 Loi Exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . 13
III.2 Loi Phase-type . . . . . . . . . . . . . . . . . . . . . . . . . . 13
IV Géométrique composée . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2
Chapitre 1
Introduction
2
3
Ces deux quantités sont fonction de l’appréhension de l’assureur vis à vis du risque
supporté par son portefeuille. L’analyse statistique permet de calibrer :
– Une loi pour les montants des sinistres
– Une loi pour le nombre de sinitres
A noter que l’analyse statistique nécessite des données qui sont parfois de mauvaise
qualité, voire insuffisantes. Il est nécessaire de détenir un historique assez long pour
faire de l’inférence. Il est possible de faire appel à des experts en matière de sinis-
tralité, avec une certaine expérience pratique. Par exemple, on observe que lorsque
qu’on propose aux agents généraux un interessement sur la marge technique expli-
quée par une faible sinistralité des assurés, ils pratiquent une selection qui s’avère
efficace.
L’hypothèse sous jacente est celle d’un portefeuille homogène dans lequel les mon-
tants de sinistres sont i.i.d. L’autre hypothèse est celle d’un modèle collectif quant
à la modélisation de la charge totale générée par les sinistres
La modélisation de la charge totale induite par les sinistres impactant un portefeuille
de contrats d’assurance sur une période de temps donnée (souvent 1 an) permet de
mettre au point la tarification mais aussi de définir le niveau de provision requis pour
faire face aux engagements pris par rapport aux assurés. L’étude de sa distribution
donne accès à ces quantiles pouvant être vue comme des Value-at-Risk.
Avec,
i.i.d.
– Ii ∼ B(p) indiquant si l’assuré i a subit un sinistre sur la période donnée.
– Ui v.a. positive indépendante de Ii , montant de l’ensemble des sinistres subit
par l’assuré i sur l’exercice.
Les calculs sont difficiles a effectuer lorsque le nombre de contrats augmente.
Avec,
– N v.a. discrète à valeur entière
– Ui v.a. positive i.i.d. indépendante de N
Lorsque le nombre de contrats est important et que le portefeuille est homogène on
peut approximer le modèle individuel par un modèle collectif.
S Ind ∼ S Col
St = u − Rt
Definition 1.III.4 : L’instant de ruine, noté τu , associé à une réserve initiale u, est
défini par
τu = inf {t ≥ 0 : R(t) < 0} = inf {t ≥ 0; S(t) > u}.
Definition 1.III.5 : Les maxima du processus de surplus en temps fini et infini,
respectivement notés MT et M , sont définis par
ψ(u) = P (τ (u) < ∞) = ψ(M > u) ψ(u, T ) = P (τ (u) < T ) = ψ(MT > u).
6
est supposée. ρ correspond pratiquement ala charge moyenne par unité de temps.
p = (1 + η)ρ.
S(t) t→+∞
→ ρ−p
t
Si η < 0 alors ρ − p > 0 et M = ∞.
On peut se référer au premier chapitre de [1] en ce qui concerne la définition du
modèle de ruine et des probabilités de ruine. Quelle valeur pour η ?
→ Tout dépend de la stratégie de la compagnie d’assurance, des concurents , de la
sélection des assurés. Lorsque l’on est une compagnie très reconnue, on pratique des
tarifs plus élevés en garantissant un service de meilleur qualité, avec une belle cam-
pagne marketing pouvant cibler des clients haut de gamme. Des tarifs élevés peuvent
aussi rassurer les assurés, qui suspecterons une arnaque dans une trop belle affaire.
Lorsqu’on est un nouvel arrivant ou que l’on veut conquérir un nouveau marché le
levier principal demeure le tarif qui doit être plus bas que celui de la concurence afin
d’attirer les clients, il s’agit la d’une stratégie offensive et plus risquée. Axa utilise
par exemple sa filiale Direct Assurance pour proposer des tarifs attractifs sans tarir
son image de marque (ne pas devenir une compagnie d’assurance “cheap”).
Chapitre 2
Distributions composés
I Quelques rappels
On dit qu’une variable aléatoire S suit une distribution composée si elle est de
la forme
XN
S= Ui ,
i=1
où
– N est une variable de comptage avec pn = P (N = n),
– (Ui )i≥0 suite de variables positives i.i.d. indépendantes de N et de fonction de
répartition FU ,
– S = 0 si N = 0 par convention.
Cette variable aléatoire représente la charge totale engendrée par des sinistres dans
le cadre des modèles collectifs.
Quelle est la densité de la somme de deux variables aléatoires indépen-
dantes ?
→ Le produit de convolution des deux densités, défini par
Z x
fU1 +U2 (x) = fU1 (y)fU2 (x − y)dy.
0
Donnez la f.d.r. de S
La fonction de répartition de S est obtenue en conditionnant par le nombre de
sinistres : X
FS (x) = pn FU∗n (x)
n∈N
Proposition 2.I.1 :
7
8
Z +∞
sS)
m
b S (s) = E(e )= esx dFS (x) = GN (m
b U (s))
0
Preuve :
X Pn
E(esS) ) = E(e i=1 Ui
|N = n)pn
n∈N
X n
Y
= E( eUi |N = n)pn
n∈Ni=1
n
XY
= E(eUi |N = n)pn
n∈N i=1
X
= E(eU )n pn
n∈N
= GN (F
cU (s))
Proposition 2.I.2 :
L’espérance mathématique de S est donnée par
E(S) = E(N ).E(U ).
La variance est donnée par
V ar(S) = E(N )V ar(U ) + E(U )2 V ar(N ).
Preuve
P+∞
avec α = ba−1 + 1, la condition pk = 1 implique :
k=0
α+k−1 k
pk = a (1 − a)α
k
ak
pk = (−n + k − 1)(−n + k − 2) . . . (−n + 1)(−n) p0
k!
k
ka
= n(n − 1) . . . (n − k + 2)(n − k + 1)(−1) p0
k!
n
= (−a)k p0 . (2.3)
k
Pn
La condition k=0 pk = 1 implique que p0 = (1 − a)−n . En injectant dans (2.3), il
vient
n (−a)k
pk = (1 − a)−n
k k!
k n−k
n a a
= 1− ,
k a−1 a−1
et N ∼ Bin(n, a/a − 1)
où
– (Ui )i∈N∗ suite de variables aléatoires discrètes à valeurs entières i.i.d. de loi
P (U = k) = qk ,
– N variable aléatoire discrète à valeurs entières indépendante des Ui .
L’algorithme de Panger est une méthode itérative permettant l’évaluation de pSj =
P (S = j).
Proposition 2.II.2 :
∀j, k, n ∈ N !
n
X j
E U1 | =j = ,
i=1
n
11
et
∗(n−1
n
!
X qk qj−k
P U1 = k| Ui = j = ,
i=1
qj∗n
Preuve :
n
! n n
!
X X X
nE U1 | Ui = j = E Uk | Ui = j =j
i=1 k=1 i=1
n
!
P (U1 = k, ni=2 Ui = j − k)
X P
P U1 = k| Ui = j =
P ( ni=1 Ui = j)
P
i=1
P (U1 = k) P ( ni=2 Ui = j − k)
P
=
P ( ni=1 Ui = j)
P
∗(n−1)
qk qj−k
= .
qj∗n
Théorème 2.II.1 :
(
GN (q0 ), j=0
pSj = Pj
−1 bk
(1 − aq0 ) k=1 a+ j
qk pSj−k , j>0
Preuve :
N
!
X
pS0 = P Ui = 0
i=1
n
!
X X
= p0 + P Ui = 0|N = n pn
n∈N∗ i=1
X
= p0 + P (∩ni=1 {Ui = 0}|N = n) pn
n∈N∗
X
= q0n pn
n∈N
= GN (q0 )
12
Pour j 6= 0,
+∞
X
pSj = pn qj∗n
n=1
+∞
X b
= a+ pn−1 qjn
n=1
n
+∞ n
!!
X b X
= a+ E U1 | Ui = j pn−1 qjn
n=1
j i=1
j
+∞ n
!!
X bX X
= a+ kP U1 = k| Ui = j pn−1 qjn
n=1
j k=0 i=1
j
+∞ n
!
XX b X
= a + k P U1 = k| Ui = j pn−1 qjn
n=1 k=0
j i=1
+∞ j
XX b n−1
= a + k q k pn−1 qj−k
n=1 k=0
j
j X +∞
X b n−1
= a + k qk pn−1 qj−k
k=0
j n=1
j
X b
= a + k qk pSj−k
k=0
j
j
S
X b
= aq0 pj + a + k qk pSj−k
k=1
j
j
−1
X b
= (1 − aq0 ) a + k qk pSj−k
k=1
j
Comment fait on si les Ui sont des variables aléatoires continues à valeurs dans R+ ?
→ Discrétisation de la loi.
stationarité de la loi des sinistres dans le temps. Dans un premier temps, un rappel
sur la loi exponentielle est donné. Le cas exponentiel est le plus simple et parfois le
seul pour lequel il est possible d’obtenir des expressions analytiques concernant les
distributions composées. Les distributions Phase-Type forment une grande famille
paramétrique très utilisée en probabilités appliquées, c’est pourquoi elles font l’objet
de la deuxième sous-section.
Ces résultats sont développés dans la section 4.2 de [2].
P (J0 = i) = αi
Définition 2.III.1
Le processus (Jt )t≥0 est un processus de Markov si ∀t, h ≥ 0 et j ∈ E,
Définition 2.III.2
Le générateur A = (aij )i,j∈E d’un processus de Markov est défini par :
Pt = eAt
Ce qui équivaut à
dPt
A=
dt t=0
Soit 0 = T0 ≤ T1 ≤ ... ≤ TN les instants de saut de J.
Proposition 2.III.3
Le temps de séjour dans l’état i suit une loi exponentielle :
Le formalisme Phase-type
Les vecteurs sont par convention des vecteurs colonnes, l’utilisation du vecteur
ligne sera signalé par la présence d’une apostrophe signifiant aussi transposé.
Les distributions Phase-Type connaissent un grand succès dans le domaine des pro-
babilités appliquées car elle peuvent permettre d’approcher n’importe quel loi à
support sur R+ (argument de densité de la famille des lois Phase-Type dans l’en-
semble des lois à surpport sur R+ ). Leur définition intuitive via les processus de
Markov est aussi un atout pour la modélisation. De nombreuses lois classiques telles
que la loi Hyper-Exponentielle ou les loi Erlang sont des lois Phase-Type.
Soit (J˜t )t≥0 un processus de Markov absorbant, son espace d’état est notée E ∪ {∆}
où ∆ est un état dit absorbant. Le processus s’arrête une fois l’état absorbant atteint.
Le générateur du processus de Markov est une matrice carrée, définie par bloc
T t
A= .
0 0
15
Définition 2.III.3
Une variable aléatoire positive et continue possède une distribution Phase-Type si
elle admet la même loi que le temps d’absorption d’un processus de Markov absor-
bant. Avec les notations précédentes, cela donne,
FU (x) = P (ζ ≤ x).
L’un des atouts des distributions Phase-Type réside dans leur représentation qui
donne lieu à une visualisation à l’aide d’un schéma dont voici quelques exemples.
Exemple 2.III.1
La loi HyperExponentielle est un mélange de loi exponentielle, sa densité par rapport
à la mesure de Lebesgue est
n
X
f (x) = αi δi e−δi x 1R+ (x),
i=1
Pn
avec i=1 αi = 1. Le schéma associé est le suivant
Exemple 2.III.2
La loi de Erlang est la loi d’une somme de n variables aléatoires i.i.d. de loi expo-
nentielle de paramètre δ, sa densité par rapport à la mesure de Lebesgue est
e−δx δ n xn−1
f (x) = 1R+ (x).,
Γ(n)
Le schéma associé est le suivant
α0 =
1 0 0 ... 0 0 .
17
Proposition 2.III.3
Soit U variable aléatoire qui admet une distribution Phase-Type.
(i) La fonction de répartition de U est FU (x) = 1 − α0 eTx 1l ,
(ii) La densité de U est fU (x) = α0 eTx t, R +∞
b U (s) = 0 esx dFU (x) = α0 (−sI−
(iii) La fonction génératrice des moments est m
T)−1 t.
Preuve
Il est nécessaire de connaître quelques propriétés concernant l’intégrale et la dérivée
d’une fonction définie par l’exponentielle d’une matrice.
d At
e = AeAt = eAt A
dt
Z x
A eAt dt = eAx − I
0
(i)
FU (x) = Pα (ζ > x)
= Pα (Jx ∈ E)
X
= αi Pt (i, j)
i,j∈E
= α0 eTx 1l
(ii)
(iii)
Z +∞
LU (x) = esx fU dx
Z0 +∞
= esx α0 .eT x .tdx
0
Z +∞
0 (Is+T )x
= α. e dx .t
0
= α .(−Is − T)−1 .t
0
18
Proposition 2.III.4
Soit U variable aléatoire admettant une distribution Phase-Type de représentation
(α, T, E). Soit η la valeur propre de T ayant la plus grande partie réelle. Les vec-
teurs propres ligne et colonne associés à η, sont respectivement notés ν 0 et h. Ces
vecteurs sont normalisés de telle sorte que ν 0 .h = 1. La fonction de survie FU est
asymptotiquement exponentielle,
FU (x) ∼ Ce−ηx ,
x→+∞
avec C = α0 ν 0 .h1l .
Preuve
Admise. Pour une description plus complète des distributions Phase-Type et de leur
propriétés, on peut se référer au chapitre 8 section 1 de [1].
IV Géométrique composée
Une section entière est consacrée à la géométrique composée pour deux raisons.
La première est qu’elle joue un rôle de première importance dans l’étude du modèle
de ruine du chapitre suivant. La deuxième est que de nombreuses propriétés intéres-
santes ont été obtenues à son sujet. Il est possible d’obtenir l’expression exacte de
la fonction de répartition d’une géométrique composée lorsque les sinistres sont de
loi exponentielle
PN ou Phase-type.
Soit S = i=1 Ui où N ∼ Geom(p) avec p ∈ (0, 1),
+∞
X
FS = (1 − p)pk FU∗k (2.5)
k=0
Preuve
+∞
X ∗k
FS (x) = (1 − p)pk FU (x)
k=1
+∞ +∞
e−δy y k−1 δ k
X Z
k
= (1 − p)p dy
k=1 x Γ(k)
+∞ +∞
(δpy)k−1
Z X
−δy
= δ(1 − p) e dy
x k=1
(k − 1)!
+∞ +∞
(δpy)k
Z X
= δ(1 − p) e−δy dy
x k=0
k!
Z +∞
= δ(1 − p) e−δ(1−p)y dy
x
−δ(1−p)x
= pe
Définition 2.IV.1
Le coefficient d’ajustement est la seule solution strictement positive de l’équation
1
m
b U (s) = (2.8)
p
Cette solution sera notée γ.
Il est supposé que la distribution des sinistres est telle que l’équation (2.8) ad-
mette une solution positive. L’existence d’une telle solution implique la définition
de la fonction génératrice des momets pour s ∈ [0, x0 ] où x0 > 0. Cette condition
implique l’existence d’une abscisse de convergence pour la fonction de survie, ce qui
équivaut à dire que la fonction de survie de U admet une décroissance exponentielle
vers 0. L’existence de la fonction génératrice des moment limite la définition du co-
efficient d’ajustement aux distributions à queue légère telle que la loi Gamma ou
la loi exponentielle. C’est également le cas des distributions à support bornée, ce
type de distribution est étudiée dans le cadre de la mise en place d’une politique de
réassurance. Plus précisément il s’agit d’une stratégie de Stop-Loss reinsurance avec
la définition d’un seuil de rétention. Une compagnie d’assurance propose d’assurer la
prise en charge des sinistres dépassant ce seuil de rétention. L’unicité de la solution
est induite par la convexité de la fonction génératrice des moments. L’équation (2.8)
porte le nom d’équation fondamental de Cramer-Lundberg. Elle permet la définition
des bornes de Cramer-Lundberg .
Théorème 2.IV.1
Soit S une variable aléatoire ayant une distribution géométrique composée telle que
l’équation (2.6) admette une solution, notée γ, alors
a− e−γx ≤ FS (x) ≤ a+ e−γx , x ≥ 0 (2.9)
20
Preuve
Admise.
Ces résultats sont données dans la section 4.5 de [2].
Théorème 2.IV.2
Soit S une variable aléatoire ayant une distribution géométrique composée telle que
les sinistres admettent une distribution Phase-Type avec représentation (α, T, E)
alors S admet une distribution p-zero modified Phase Type avec représentation
(α, T + pt.α0 , E).
0 ... 0 0
La probabilité d’aller d’un état vers l’état absorbant est multipliée par 1 − p, proba-
bilité de ne pas repartir pour un tour dans la boucle. Soit i, j ∈ E alors la probabilité
de passer de i à j sans transiter par un autre état est égale à (c.f. Proposition 2.III.3) :
tij + pti αj
Pi (XT1 = j) = −
tii + pti αi
On constate que cette probabilité est nulle si les deux conditions suivantes sont
réunies
(i) tij = 0 implique que les deux états ne communiquent pas ,
(ii) pti αj = 0 implique au choix que
→ ti = 0 implique que l’état i ne communique pas avec l’état absorbant,
→ αj = 0 implique que le système ne peut se trouver dans l’état j initialement
et donc ne peut pas y aller en fin de cycle.
En vertu du théorème précédent et des résultats plus généraux sur les distributions
Phase-Type énoncés dans la section III, nous pouvons affirmer les deux résultats
suivants.
Corolaire 2.IV.1
Soit S une variable aléatoire ayant une distribution géométrique composée telle que
les sinistres admettent une distribution Phase-Type avec représentation (α, T, E)
alors
(i)
0
FS (x) = pα0 .e(T+pt.α )x .1l
(ii)
FS (x) ∼ Ce−η+ x ,
t→+∞
avec −η+ la valeur propre de T + pt.α0 ayant la plus grande partie réelle.
Ces résultats figurent dans le chapitre 8 section 2 de [1].
Chapitre 3
I Définition du modèle
Le processus stochastique régissant l’évolution des réserves financières est sup-
posé être de la forme
XNt
Rt = u + pt − Ui .
i=1
Proposition 4.II.1
Si {Nt } est un processus de Poisson homogène d’intensité β alors
(i) N0 = 0 presque surement.
22
23
(ii) Nt ∼ P ois(βt)
(ii) Nt est un proccessus à accroissements stationnaires et indépendants
Preuve
(i)
P (Nt = 0) = P (σ1 > t) = e−βt
Cela implique que les évènements {Nt = k} et {σk ≤ t ≤ σk+1 } sont équivalents.
Cela donne :
Pk i.i.d.
Or par définition σk = i=1 Ti où Ti ∼ Exp(β), cela implique σk ∼ Erlang(k, β).
Il vient :
+∞
β k+1 e−βx xk β k e−βx xk−1
Z
P (Nt = k) = − dx
t k! k − 1!
Z +∞ k −βx k
d β e x
= − dx
t dx k!
e−βx (βx)k
=
k!
Lemme 3.IV.1
Pour i ≥ 2 et s, t > 0, on a :
Preuve
s+t s+t
− y))i−2 (x − y)i−2
Z Z Z Z
2 (β(x
β dydx = β i dxdy
s≤y<x≤s+t (i − 2)! s y (i − 2)!
s+t s+t−y
z i−2
Z Z
= βi dzdy
s 0 (i − 2)!
Z s+t i−1 s+t−y
i z
= β dy
s (i − 1)! 0
Z s+t
i (s + t − y)i−1
= β dy
s (i − 1)!
Z t
i z i−1
= β dz
0 (i − 1)!
i t
i z
= β
(i)! 0
(βt)i
=
(i)!
avec z0 = 0. Il reste à intégrer cette densité sur A, plusieurs situations sont à étudier
– Z1 = X1 et a1 = i1 et 0 < X1 ≤ s1
– Si Zj = Yk et Zj+1 = Yk+1 cela signifie que aj = 1, le terme indicée par j vaut
β et sk ≤ Yk ≤ sk+1
– Si Zj = Yk et Zj+1 = Xk+1 cela signifie que aj = 1 et aj+1 = ik+1 −1, le produit
ik+1 −2
−yk ))
des deux termes consécutifs indicés par j et j + 1 vaut β 2 (β(xk+1
(ik+1 −2)!
et
sk < Yk ≤ Xk+1 ≤ sk+1
– Zl = Yn et Yn > sn
L’intégration sur A donne donc
Z s1 Z +∞
(βx1 )i1 −1 Y
β dx1 × Hk × βe−βyn dyn
0 i1 − 1 1≤k≤n−1 sn
(βtk+1 )ik+1
avec Hk = ik+1 !
par le lemme technique. On a finalement
n
(βs1 )i1 Y (βtk+1 )ik+1
−βsn
Y βtk
× ×e = e−βtk
i1 ! 1≤k≤n−1
ik+1 ! k=1
ik !
Pn
car s1 = t1 et sn = k=1 tk .
φ(u) = 1 − ψ(u)
Dans le premier chapitre, nous avions vu que pour que cette probabilité ne soit pas
égale à 1. Il fallait que les primes périodiques p excèdent la charge moyenne générée
par les sinistres par unité de temps. Cette condition dans le modèle de Cramer-
Lundberg s’écrit p > βµ.
Preuve
Soit T1 l’instant d’occurence du premier sinistre et h > 0
L’idée derrière cette ré-écriture est de distinguer les cas ,quand l’on inspecte le
processus à l’instant h, où h > T1 et h < T1 .
Lorsque T1 < h alors le processus repart d’un instant aléatoire T1 du point (lui aussi
aléatoire) u + pT1 − U1 .
Lorsque T1 > h alors le processus repart à l’intant h du point u + ph.
Mathématiquement, cela donne
Z h Z +∞
−βt
φ(u) = φ(u + ph)P (T1 > h) + βe φ(u + pt − y)dFU (y)dt
0 0
On multiplie l’équation par −1/h et on ajoute φ(u + ph) des deux côtés pour obtenir
φ(u + ph) − φ(u) 1 − e−βh 1 h −βt +∞
Z Z
= φ(u + ph) − βe φ(u + pt − y)dFU (y)dt
h h h 0 0
Preuve
La densité de la variable aléatoire U est notée fU . La transformée de Laplace de U
est définie par Z +∞
LU (s) = e−sx fU (x)dx.
−∞
+
Le support de la loi de U est R , on peut également définir la transformée de Laplace
de FU qui s’exprime en fonction de celle de U , pour s < 0
Z +∞
LFU (s) = e−sx FU (x)dx
0
+∞
1 −sx 1
= − e FU (x) + LU (s)
s 0 s
1
= LU (s)
s
27
Corollaire 3.III.1
βµ
φ(0) = 1 − (3.3)
p
Preuve
On note que φ(u) → 1. Par passage à la limite quand u → +∞ de l’équation
u→+∞
(3.2), il vient
Z +∞
β
1 = φ(0) + (1 − FU (y)dy (3.4)
p 0
βµ
φ(0) = 1 − (3.5)
p
βµ
La condition sur le chargement de sécurité η > 0 assure que p
< 1.
+∞ n
βµ X βµ
ψ(u) = 1 − FU∗nI (u), (3.6)
p n=1 p
avec,
1 x
Z
FU I (x) = (1 − FU (y))dy (3.7)
µ 0
1 x
Z
= FU (y)dy
µ 0
28
Preuve
On part de l’équation intégrale (3.2) vérifiée par la probabilité de non ruine.
β u
Z
φ(u) = φ(0) + φ(u − y)FU (y)dy
p 0
FU
fU I (x) = ,
µ
en injectant dans l’équation intégrale
Z u
βµ
φ(u) = φ(0) + φ(u − y)fU I (y)dy
p 0
φ(0) βµ
Lφ (s) = + Lφ (s)LU I (s)
s p
βµ φ(0)
Lφ (s) 1 − LU I (s) =
p s
φ(0)
sLφ (s) =
1 − βµ
p
LU I (s)
φ(0)
Lφ0 (s) + φ(0) =
1 − βµ
p
LU I (s)
βµ φ(0)
Lφ0 (s) = LU I (s)
p 1 − βµ
p
LU I (s)
X +∞ n
βµ βµ
Lφ0 (s) = 1− LU I (s)n
p n=1 p
29
Ce résultat montre que la probabilité de ruine est égale à la fonction de survie d’une
loi géométrique composée. On rappelle une définition alternative de la probabilité
de ruine
ψ(u) = P (M > u)
où M = sup St , le résultat peut donc s’interpréter de la façon suivante :
t≥0
N
X
M= UiI ,
i=1
avec,
– N ∼ Geom βµ
p
– (UiI )i∈N∗ variables aléatoires positives i.i.d. de fonction de répartition FU I
Ce résultat justifie l’étude approfondie de la distribution géométrique composée dans
le chapitre précédent. Il est possible d’approcher la probabilité de ruine ultime via
l’algorithme de Panjer après avoir discrétiser la loi des montants. Il est aussi possible
de fournir des bornes et des approximations pour la probabilité de ruine équivalentes
à celles obtenues pour la distribution géométrique composée.
Théorème 3.III.4
Sous réserve que la fonction génératrice des moments de Ui , notée m
b U (s), soit définie
pour une valeur de s > 0 alors
β + ps = β m
b U (s) (3.9)
p−βµ
et K = β m
b 0U (s)−p
.
Preuve
On applique le théorème 2.IV.1, le coefficient d’ajustement est solution de l’équation
−1
βµ
mb U I (s) = (3.10)
p
Or pour s > 0,
Z +∞
FU (x)
m
b U I (s) = esx dx
µ
Z +∞
FU (x)
= esx dx
µ
sx ∞ Z +∞
!
1 e FU (x) esx fU (x)
= + dx
µ s 0 s
1
= b U (s) − 1)
(m
sµ
30
Ces résultats et bien d’autres encore section 5.3 de [2]. Théorème 3.III.5
Supposons que les (Ui )i≥0 possèdent une distribution Phase-Type de représentation
(α, T, E) alors la probabilité de ruine vérifie
0
0
(i) ψ(u) = α+ e(T+tα+ )u .1l avec α+ = −βα0 T−1
−η+ x 0
(ii) ψ(u) = ∼ Ce , avec −η+ la valeur propre de (T + tα+ ) ayant la plus
t→+∞
grande partie réelle.
Preuve
Application du corollaire 2.IV.1.
Exercice
Supposons que
– Le niveau de prime est p = 1
– l’intensité du processus de Poisson est β = 3
– les montants de sinistres sont distribués suivant une loi HyperExponentielle de
fonction de survie
1 1
FU (x) = e−3x + e−7x
2 2
Le générateur du processus de Markov associé à cette distribution Phase-Type est
−3 0 3
A = 0 −7 7 .
0 0 0
Le vecteur de probabilité caractérisant le système à l’état initial est
α0 = 21 12 .
3 9
0 −3 0 3 1 3
− 2 14
Q = T + tα+ = + = 7 .
0 −7 7 2 14
2
− 112
Afin d’évaluer eQu il est nécessaire de diagonaliser la matrice, ce qui nécessite d’ex-
hiber les valeurs propres de la matrice Q. Les valeurs propres sont les racines du
polynôme caractéristique de Q défini par
χQ (x) = x2 − tr(Q)x + det(Q)
= x2 + 7x + 6
31
On en déduit que les valeurs propres sont λ1 = −1 et λ2 = −6. Notons νi0 et hi les
vecteurs propres ligne et colonne associés à λi pour i ∈ {1, 2} normalisés tels que
νi0 hi . On a
eQu = eλ1 u h1 ν10 + eλ2 u h2 ν20
Ce qui donne
9 9 1 9
Qu −u 10 70 −6u 10
− 70
e =e 7 1 +e 7 9 .
10
− 10 − 10 10
d’où
24 −u 1
ψ(u) = α+ eQu .12 = e + e−6u
35 35
– Les hypothèses qui sont faites ne sont pas réalistes. Il est très difficile de trou-
ver un jeu de données montrant l’adéquation du processus de Poisson à la
fréquence des sinistres, l’hypothèse d’un portefeuille homogène (montant de
sinistres i.i.d.) semble beaucoup trop forte. Il a été démontré des cas de non
stationarité liés à des évènements exogènes au modèles. Des dépendances entre
les montant des sinistres ont aussi pu être exhibés. La vision d’une réserve al-
louer à une seule business line n’est pas réaliste quand on voit à quel point
les compagnies d’assurance se diversifient et que les diverses branches inter-
agissent. La vision 0 − 1 est elle aussi beaucoup remise en cause.
– La théorie de la ruine oblige une certaine maitrise des mathématiques, et pos-
sède un coup d’entrée non négligeable même dans les cas simples où l’on dis-
pose de formule fermée. La calibration des modèles nécessiterait de disposer de
beaucoup de données. Les méthodes numériques permettant l’évaluation des
probabilités de ruine et des fonctions de répartition des distributions compo-
sées sont difficiles à implementer avec les ressources informatiques mises à la
disposition des actuaires et les calculs peuvent être très couteux en temps.
Néanmoins, la probabilité de ruine peut être utilisée à titre d’indicateur, les com-
pagnies d’assurance scandinaves l’ont d’ailleurs prises comme référence par le passé.
La théorie de la ruine est perçue comme un “délire” de chercheurs en mal d’inspi-
ration qui se challengent les uns les autres en recherchant dans quel cas particulier
sans aucune réalité il est possible de calculer une probabilité de ruine. L’intérêt aca-
démique réside dans la transversabilité des résultats qui peuvent dépasser le cadre
de l’actuariat. Des quantités très proches sont regardées de près en théorie de files
d’attente mais aussi en fiabilité. Une avancée dans un domaine est exploitable dans
les autres. Récemment un projet à été lancé pour appliquer des modèles de ruine à
la modélisation de la contamination alimentaire.
32
33
36