Chapitre 10. Risque et assurance. Arthur Charpentier La problématique du provisionnment en assurance

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre 10. Risque et assurance. Arthur Charpentier. 10.1 La problématique du provisionnment en assurance"

Transcription

1 Chapitre 10 Risque et assurance Arthur Charpentier Dans ce chapitre, nous allons présenter quelques modèles utilisés par les assureurs afin de quantifier les risques pris. Dans les premiers chapitres, il était mentionné qu un risque était une variable aléatoire X (ou un ensemble de variables aléatoires X), et que la gestion des risques se résumait à calculer R(X) (ou R[h(X)] si h désigne une fonction d agrégation). Mais nous n avions pas encore introduit d aspect temporel, sous entendant dans les sections traitant de l inférence statistique qu au moment de quantifier le risque, des observations X i (ou X i ) étaient disponibles. C est bien entendu très simplificateur. A la fin de l année, un assureur ne connait pas les coûts des sinistres survenus pendant l année. On peut parler des accidents corporels en assurance automobile, ou de la responsabilité civile des hôpitaux, ou de l expérience du sang contaminé dans les centres de transfusion. On pourra aussi penser à l assurance décès : les engagements pris ne seront parfois honnorés que d ici plusieurs dizaines d années. Dans ce chapitre, nous insisterons sur deux risques (parmi beaucoup d autres). Le premier sera la modélisation des «provisions pour sinistres à payer», et plus particulièrement, la présentation de méthodes permettant de quantifier la marge d erreur associée à ce calcul de provisions. Le second sera le risque démographique présent dans les contrats d assurance en cas de décès, ou surtout en cas de vie, en essayant de calculer la probabilité qu un assuré décède dans 30 ou 40 ans La problématique du provisionnment en assurance Comme le définit (19), «les provisions techniques sont les provisions destinées à permettre le règlement intégral des engagements pris envers les assurés

2 2 Chapitre 10 et bénéficiaires de contrats. Elles sont liées à la technique même de l assurance, et imposées par la règlementation». D un point de vue plus formel, à la date t, la compagnie d assurance est tenue de constituer une provision pour les sinistres survenus avant la date t qu elle sera tenu d indemniser (et de tenir ainsi la promesse qu elle a vendue). Elle doit donc estimer le coût des sinistres survenus, et retrancher les montants déjà versés. Il s agit donc fondamentalement d un problème de prévision. En effet, contrairement à l hypothèse faite dans la plupart des modèles actuariels, les coûts de sinistres ne sont pas connus le jour de la survenance du sinistre. Il y a tout d abord un délai avant que le sinistre ne soit déclaré à la compagnie d assurance par l assuré, puis un temps (plus ou moins long) de gestion du sinistre, d expertises, de paiements, avant de le clôturer plusieurs mois, ou plusieurs années plus tard. La Figure 10.1 illustre la problématique du provisionnement, avec un diagramme de Lexis de la vie des sinistres. Années de développement Temps calendaire Figure 10.1 Évolution de la vie des sinistres, sur un diagramme de Lexis, avec en abscisse le temps calendaire (la date à laquelle un opération est effectuée : déclaration, paiement, etc), et en ordonnée l âge des sinistres. Les sinistres surviennent à la date, sont déclarrés à l assureur à la date + et clôturés à la date. L exercice de provisionnement consiste à estimer à une date donnée (ici fin 2010, correspondant au trait plein vertical), le montant des paiements restant à faire pour l ensemble des sinistres survenus (déclarés ou pas). En pratique, le jour de la déclaration du sinistre à l assureur (+), le gestionnaire de sinistres est tenu d estimer un montant du sinistre dont il vient

3 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 3 d avoir connaissance (à l aide de factures à sa disposition, ou de coûts moyens de sinistres similaires). Le montant réel du sinistre ne sera connu que le jour de la clôture ( ). Entre ces deux dates, le gestionnaire de sinistre peut réviser ses estimations de coûts, mais aussi effectuer des paiements. En pratique, au lieu de travailler sur des données individuelles, les données sont ici aggrégées par années (comme indiquée sur la Figure 10.1) : on s intéresse à l année de survenance du sinistre (i, en abscisse) et l année du paiement (par rapport à l année de la survenance, j, en ordonnées). Parmi les méthodes reconnues par les autorités de contrôles, les plus classiques sont basées sur les cadences de paiements. On raisonne pour cela par année de survenance de sinistre, et on suppose une certaine régularité dans la cadence de paiement Quelques définitions et notations La plupart des méthodes présentées ici sont détaillées dans (5), ou (21). L idée est d agréger les informations sur les sinistres dans des triangles, avec : l année de survenance en ligne i, l année de développement en colonne j = 0, 1, 2,, l année calendaire en diagonale i + j, Parmi les informations que l on trouvera résumée : Y i,j les incréments de paiments, pour les sinistres survenus l année i, et pour l année de développement j (autrement dit payé l année i+j), comme indiqués dans la Table 10.1 C i,j les paiments cumulés, au sens où C i,j = Y i,0 + Y i,1 + + Y i,j, pour l année de survenance i, correspondant à l ensemble des paiements effectués pour les sinistres survenus l année i, entre l année i et l année i + j, comme dans la Table 10.2 N i,j le nombre cumulé de sinistres pour l année de survenance i, vu au bout de j années, dans la Table 10.3 (en milliers) Les données sont celles utilisées dans (16), et les calculs numériques sont détaillés dans (2). Enfin, une information non aléatoire (les primes étant payées en début de période de couverture) peut aussi être utilisée P i la prime acquise pour l année i (répartie prorata temporis pour les contrats chevauchant une année calendaire), dans la Table 10.4 On parle de triangle car au delà de la dernière diagonale, les montants (et les nombres) ne sont pas connus. La difficulté est donc de prévoir les montants qui seront payés par le futur : comme rappelé en introduction, les compagnies d assurance sont tenues de constituer des provisions pour garantir que ces paiements pourront être faits. Comme le notait (1), «it is hoped that more casualty actuaries will involve themselves in this important area. IBNR reserves deserve more than just a clerical or cursory treatment and we believe, as did Mr. Tarbell Chat the problem of incurred but not reported claim reserves is essentially actuarial or statistical. Perhaps in today s environment the quotation would

4 4 Chapitre 10 Table 10.1 Triangle des incréments de paiements, Y = (Y i,j ) Table 10.2 Triangle des paiements cumulés, C = (C i,j ) be even more relevant if it stated that the problem...is more actuarial than statistical.» Formalisation du problème du provisionnement Comme évoqué dans le paragraphe précédant, le provisionnement est fondamentalement un problème de prédiction, conditionnelle à l information dont on dispose à la date n. En particulier, on a besoin de prévoir la charge ultime des sinistres, pour une année de survenance donnée, C i,. On notera F n l information disponible à la date n, soit formellement : H n = {(Y i,j ), i + j n} = {(C i,j ), i + j n}. On cherche à étudier, par année de survenance, la loi conditionnelle de C i, sachant H n, ou encore, si l on suppose les sinistres clos au bout de n années la loi de C i,n sachant H n. Si l on se focalise sur une année de survenance particulière, on pourra noter : F i,n i = {(Y i,j ), j = 0,, n i)} = {(C i,j ), j = 0,, n i)}. Cette notation permet de prendre en compte que l information disponible change d une ligne à l autre.

5 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 5 Table 10.3 Triangle des nombres de sinistres, cumulés, en milliers, N = (N i,j ) Table 10.4 Vecteur des primes acquises, P = (P i ) H n F i,n i On cherchera par la suite à prédire le coût final des sinistres à payer survenus l année i : Ĉ (n i) i, = E[C i, F i,n i ]. Classiquement, on commencera par supposera que les sinistres sont clôturés au bout de n années, au plus (on reviendra sur cette hypothèse par la suite). Aussi, C i, = C i,n, et on cherche alors à prédire : Ĉ (n i) i,n = E[C i,n F i,n i ], et la différence entre ce montant et le montant déjà payé constituera la provision pour sinistres à payer, R i = Ĉ(n i) i,n C i,n i. On essayera ensuite de quantifier l incertitude associée à cette prédiction. Comme on le verra les méthodes usuelles visaient à calculer Var[C i,n F i,n i ] ou Var[Ĉ(n i) i,n ], ce que l on appelera incertitude à horizon ultime. Mais ce n est pas ce qui est demandé d un point de vue comptable et réglementaire, Solvabilité II demandant

6 6 Chapitre 10 plutôt de mesurer une incertitude dite «à un an». Pour cela, on va s intéresser à la prédiction qui sera faite dans un an, Ĉ (n i+1) i,n = E[C i,n F i,n i+1 ] et plus particulièrement le changement dans l estimation de la charge ultime n i = Ĉ(n i+1) i,n Ĉ(n i) i,n. Si cette différence est positive, on parle de «mali» (il faudra gonfler la provision afin de pouvoir payer les sinistres), et si elle est négative, on parle de «boni» (l assureur avait trop provisionné, et sur-estimé la charge ultime des sinistres). On peut montrer que E[ n i F i,n i ] = 0, autrement dit, on ne peut espérer faire ni boni, ni mali, en moyenne. On a alors une propriété de martingale. Les contraintes règlementaires imposées par Solvabilité II demandent de calculer Var[ n i F i,n i ]. La Figure 10.2 montre les estimations de montant de provisions deux années consécutives. On note ici que la variation est faible, mais sur des branches d assurance à forte variabilité (en particulier pour les dommages corporels, ou la responsabilité civile), la variation peut ètre beaucoup plus importante Les cadences de paiements et la méthode Chain Ladder L idée d utiliser des cadences de paiements pour estimer la charge future date du début du XXème siècle. On suppose qu il existe une certaine proportionnalité, avec une relation de récurrence de la forme : C i,j+1 = λ j C i,j pour tout i, j = 1,, n. Un estimateur naturel pour λ j, basé sur l expérience passée est alors : λ j = n j i=1 C i,j+1 n j i=1 C i,j pour tout j = 1,, n 1. De telle sorte que l on peut alors prédire la charge pour la partie non-observée dans le triangle : ] Ĉ i,j = [ λn+1 i... λ j 1 C i,n+1 i.

7 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 7 Montant (paiements et réserves) Figure 10.2 Estimation de la charge ultime Ĉi,n deux années consécutives (n 1 et n), avec en gris le montant total de paiements déjà effectués, C i,n i et en noir le montant de provisions R i. Notons qu au lieu de calculer les facteurs de développement, on peut aussi des taux de développement, cumulés ou non. Autrement dit, au lieu d écrire C i,j+1 = λ j C i,j pour tout i, j = 1,, n, on suppose que : On notera que : γ j = C i,j = γ j C i,n ou Y i,j = ϕ j C i,n. n k=j+1 { 1 γ1 si j = 1 et ϕ j = λ k γ j γ j 1 si j > 1 Table 10.5 Facteurs de développement, λ = ( λ i ), exprimés en cadence de paiements par rapport à la charge ultime, en cumulé (noté γ), puis en incréments (noté ϕ) n λ j 1, , , , , ,0000 γ j 70,819% 97,796% 98,914% 99,344% 99,529% 100,000% ϕ j 70,819% 26,977% 1,118% 0,430% 0,185% 0,000%

8 8 Chapitre 10 On notera qu il est possible de voir l estimateur Chain-Ladder comme une moyenne pondérée des facteurs de transition individuels : n j C i,j λ j = ω i,j λ i,j où ω i,j = n j i=1 C i,j i=1 i=1 et λ i,j = C i,j+1 C i,j. Aussi, on peut obtenir ces coefficients à l aide de régressions linéaires pondérées sans constantes, en régressant les C,j+1 sur les C,j, { n j [ λ j = argmin C i,j λ C ] } 2 i,j+1, λ R C i,j soit : λ j = argmin λ R { n j i=1 } 1 [λc i,j C i,j+1 ] 2. (10.1) C i,j Table 10.6 Triangle des paiements cumulés, C = (C i,j ) i+j n avec leur projection future Ĉ = (Ĉi,j) i+j>n Modèle multiplicatif et méthode des marges Avec l écriture C i,j = γ j C i,n, on voit que la méthode Chain Ladder repose sur l utilisation d un facteur ligne (les C i,n ) et d un facteur colonne (les γ j ). On peut ainsi réécrire le modèle sous la forme C i,j = A i B j. Afin d identifier les paramètres, des contraintes doivent être imposer. Par exemple, il peut être légitime de demander une égalité de la somme par ligne, mais aussi par colonnes, des C i,j, mais aussi des A i B j. Autrement dit, on cherche des vecteurs A = (A 0,, A n ) et B = (B 0,, B n ), avec B B n = 1, tels que : n j n j n i n i A i B j = Y i,j pour tout j, et A i B j = Y i,j pour tout i, i=0 i=0 (on ne somme que sur la partie observée du triangle) les montants prédits dans la partie inférieure du triangles. Alors les termes (A i B j ) i+j>n (correspondant j=0 j=0

9 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 9 aux prédictions pour les paiements futurs), coïncident avec les quantités prédites par la méthode Chain Ladder ((18)). Proposition 10.1 S il existe A = (A 0,, A n ) et B = (B 0,, B n ), avec B B n = 1 (car il faut rajouter une contrainte d identifiabilité), tels que alors et n j n j n i n i A i B j = Y i,j pour tout j, et A i B j = Y i,j pour tout i, i=0 i=0 B k = j=k j=0 Ĉ i,n = A i = C i,n i 1 λ j j=k 1 k=n i λ k j=0 1 1, avec B 0 =. λ j j=k λ j Autrement dit, le montant de provision coïncide avec l estimateur obtenu par la méthode Chain Ladder. Preuve 10.1 La démonstration se fait de manière récursive. Commençons par réécrire les conditions, n j n j n j n i n i n i Y i,j = A i B j = B j A i, et Y i,j = A i B j =, A i B j. i=0 i=0 i=0 j=0 j=0 Pour i = 0 dans la dernière somme, on en déduit que n j=0 A 0 = Y i,j n n j=0 B = Y i,j = C 0,n. j Supposons que la relation sur les A i soit vérifiée pour 0, 1, 2,, n k 1, et que i j=0 B j = 1 λ j aux étapes n, n 1,, k. Alors à l étape n k, n k A i = i=0 qui peut se réécrire soit encore n k 1 i=0 n k 1 i=0 C i,k j=i A i + A n k = n k 1 k=n i i=0 C i,k n k 1 i=0 k=n i λ k + C n k,k j=0 C i,k λ k + k=n i k=n i C n k,k k j=0 B j n k λ k = i=0 λ k + C i,k j=0 k j=0 Y n k,j k j=0 B j k=n i λ k.

10 10 Chapitre 10 De plus, en réécrire k k+1 B j = B j B k+1 = j=0 j=0 Pour le terme de droite, en notant que n k 1 j=0 on obtient que Y j,k = k B j = j=0 n k 1 j=0 j=k [S j,k+1 S j,k ] = λ 1 j n k 1 j=0 ( ) λ n k λ 1 j = j=n k+1 n k 1 j=0 Y j,k n k 1 j=0 A j n k 1 S j,k+1 j=n k j=0 λ 1 j. En soustrayant à chacune des étapes, on obtient le résultat annoncé. Nous reviendrons sur ce modèle dans la sectionn 10.5, car la régression de Poisson avec un lien logarithmique (dont les paramètres sont estimés par maximum de vraisemblance) coïncide avec la méthode des marges. S j,k 10.4 De Mack à Merz & Wüthrich La méthode dite Chain Ladder, que nous venons de voir, est une méthode dite déterministe, au sens où l on ne construit pas de modèle probabiliste permettant de mesurer l incertitude associée à la prédiction du montant des réserves. Différents modèles ont été proposés à partir des années 90, à partir du modèles de Mack, jusqu à l approche proposée par Merz & Wüthrich qui introduira la notion de «incertitude à un an» Quantifier l incertitude dans une prédiction Nous avons obtenu, par la méthode Chain Ladder un estimateur du montant de provision, R (même si nous n avons pas, pour l instant, de modèle stochastique sous-jacent). Classiquement, pour quantifier l erreur associée à un estimateur, on calcule l erreur quadratique moyenne - ou «mean squared error» mse - associée : E([ R R] 2 ). Formellement, comme R est ici une variable aléatoire, on ne parle pas d erreur d estimation, mais d erreur de prévision : on va alors calculer un erreur quadratique moyenne de prediction - ou «mean squared error of prediction» - notée msep (on ne prédit pas sur les données passées, mais on utilisera les donnéees

11 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 11 pour calibrer un modèle qui servira ensuite à faire de la prédiction pour les années futures). Aussi msep( R) = E([ R R] 2 ). Ce terme peut se décomposer en deux (en faisant une approximation au premier ordre), au sens où E([ R R] 2 ) E([ R E(R)] 2 ) + E([R E(R)] 2 ) } {{ } } {{ } Var(R) mse( R) où le terme de gauche est l erreur d estimation, compte tenu du fait que nous avons dû estimer le montant de provisions à partir de la partie supérieure du triangle, et le terme de droite est l erreur classique de modèle (tout modèle comportant une partie résiduelle orthogonale aux observations, et donc imprévisible). En fait, en toute rigueur (et nous en aurons besoin par la suite), on cherche plutôt à calculer un msep conditionnel à l information dont on dispose au bout de n années, msep n ( R) = E([ R R] 2 H n ) Le formalisme de Mack (13) a proposé un cadre probabiliste afin de justifier l utilisation de la méthode Chain-Ladder. Pour cela, on suppose que (C i,j ) j 0 est un processus Markovien, et qu il existe λ = (λ j ) et σ = (σj 2 ) tels que { E(Ci,j+1 H i+j ) = E(C i,j+1 C i,j ) = λ j C i,j Var(C i,j+1 H i+j ) = Var(C i,j+1 C i,j ) = σ 2 j C i,j On note que sous ces hypothèses, E(C i,j+k H i+j ) = E(C i,j+k C i,j ) = λ j λ j+1 λ j+k 1 C i,j. (13) rajoute une hypothèse supplémentaire d indépendance entre les années de survenance, autrement dit (C i,j ) j=1,...,n et (C i,j) j=1,...,n sont indépendant pour tout i i. Une réécriture du modèle est alors de supposer que C i,j+1 = λ j C i,j + σ j Ci,j + ε i,j+1, où les résidus (ε i,j ) sont i.i.d. et centrés. A partir de cette écriture, il peut paraître légitime d utiliser les méthodes des moindres carrés pondérés pour estimer ces coefficients, en notant que les poids doivent être inversement proportionnels à la variance, autrement dit aux C i,j, i.e. à j donné, on cherche à résoudre min { n j i=1 } 1 (C i,j+1 λ j C i,j ) 2 C i,j

12 12 Chapitre 10 qui correspond à l équation 10.1 : on va donc retrouver le même montant de provisions qu avec la méthode Chain Ladder. Pour tester ces deux premières hypothèses, on commence par représenter les C,j+1 en fonction des C,j à j donné. Si la première hypothèse est vérifiée, les points doivent être alignés suivant une droite passant par l origine. La Figure 10.3 montre ainsi les nuages de points pour j = 1 et j = 2. PAID[, j + 1] PAID[, j + 1] PAID[, j] PAID[, j] Figure 10.3 Nuage de points C,j+1 en fonction des C,j droite de régression passant par l origine. pour j = 1, 2, et Pour la seconde hypothèse, on peut étudier les résidus standardisés ((13) parle de «weighted residuals»), ε i,j+1 = C i,j+1 λ j C i,j Ci,j. L utilisation des résidus standardisés nous donnent d ailleurs une idée simple pour estimer le paramètre de volatilité. ( n j 1 σ j 2 1 C i,j+1 = λ ) 2 j C i,j n j 1 Ci,j ce qui peut aussi s écrire σ 2 j = 1 n j 1 i=0 n j 1 i=0 ( Ci,j+1 C i,j λ j ) 2 C i,j (ce qui est à rapprocher de l écriture du facteur de transition λ comme moyenne pondérée des facteurs de transitions observés). Cette méthode permet d estimer les différents paramètres intervenant dans le modèle de (13).

13 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE La notion de «tail factor» Comme nous l avions expliqué dans l introduction, jusqu à présent, on a supposé que la première ligne de notre triangle est close : il n y a plus de sinistres ouverts, et donc le montant de provision pour cette année de survenance est nul. Aussi, pour tout i, on suppose que C i, = C i,n. Cette hypothèse peut être un peu trop forte pour les branches à déroulement long. (14) a posé les bases des premiers modèles qui sont toujours utilisés, reposant sur l idée d un «tail factor». On supposera qu il existe alors un λ > 1 tel que C i, = C i,n λ. Une méthode qui a souvent été utilisée a reposé sur l idée que l on pouvait projeter les λ i par une extrapolation exponentielle (ou une extrapolation linéaire des log(λ k 1)), puis on pose λ = k n λ k Mais mieux vaut faire attention, en particulier s il y a des valeurs aberrantes. Ici, cette méthode prévoit de rajouter 0, 07% de charge par rapport à la prédiction faite par les méthodes classiques, en supposant la première année close De l incertitude sur R i et R L incertitude est ici quantifiée à l aide de l erreur quadratique moyenne, ( mse( R ] ) 2 i ) = mse(ĉi,n C i,n i ) = mse(ĉi,n) = E [Ĉi,n C i,n H n. En utilisant l expression on peut réécrire le mse sous la forme E([X x] 2 ) = Var(X) + [E(X) x] 2, [ Ĉi,n] 2 mse(ĉi,n) = Var(Ĉi,n H n ) + E(Ĉi,n H n ), où l on a un terme d erreur de modèle, et un terme d erreur d estimation. soit Pour le premier terme, Var(Ĉi,n H n ) = E(Var(Ĉi,n F i,n i )) + Var(E(Ĉi,n F i,n i )) Var(Ĉi,n H n ) = E(Ĉi, F i,n i ) σ 2 + Var(Ĉi, F i,n i ) λ 2

14 14 Chapitre 10 d où, en itérant sur le dernier terme, Var(Ĉi,n H n ) = E(Ĉi, F i,n i ) σ 2 [ ] + E(Ĉi,n 2 F i,n i ) σn Z 2 + Var(Ĉi,n 2 F i,n i ) λ 2 n 2 λ 2 etc. On arrive, en itérant jusqu à n i (car C i,n i est observé), à la relation Var(Ĉi,n H n ) = k=n i [λ n i λ k 1 C i,n i ] σ 2 kλ 2 k+1 λ 2 en utilisant le fait que pour n i < k < n, C i,k = λ n i λ k 1 C i,n i. Pour le second terme, E(C i,n H n ) = E (E (C i,n F i,n i )) = E (λ C i, F i,n i ) = λ E (C i, F i,n i ), ce qui donne, par itérations successives, E(C i,n H n ) = λ n i λ n i+1 λ C i,n i. Aussi, [ ] 2 [ E(Ĉi,n H n ) Ĉi,n = C 2 i,n i λ n i λ λ n i λ ] 2. σ 2 k Pour estimer le premier terme, on remplace simplement λ k par λ k et σk 2 par, de telle sorte que Var(Ĉi,n H n ) = k=n i [ λn i λ k 1 C i,n i ] σ 2 k λ 2 k+1 λ 2 ce qui se réécrit encore, en se basant sur l estimation de la charge ultime (et plus sur la dernière valeur observée) Var(Ĉi,n H n ) = Ĉ2 i,n k=n i σ 2 k / λ 2 k Ĉ i,k. Pour le second terme, ça se complique un peu, car on ne peut pas simplement remplacer λ k par son estimateur. On va alors réécrire [λ n i λ λ n i λ ] sous la forme d une somme, [λ n i λ λ n i λ ] = k=n i S k

15 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 15 où S k = λ n i λ k 1 [λ k λ k ]λ k+1 λ, ce qui permet d écrire le carré de la somme En notant que on en déduit que k=n i S 2 k + 2 j<k S j S k. E([λ k λ k ] 2 H k ) = Var( λ k H k ) = E(S 2 k H k ) = λ n i λ k 1 σ 2 k σk 2 n k j=1 C, j,k n k j=1 C λ k+1 λ. j,k Et en revanche, pour j < k, E(S j S k H k ) = 0. Aussi, un estimateur pour le second terme peut être λ n i λ On en déduit le résultat suivant : k=n i k=n i σ k 2/ λ 2 k n k j=1 C. j,k Proposition 10.2 L erreur quadratique moyenne du montant de provision mse( R i ), pour une année de survenance i, peut être estimé par ( ) mse( R σ 2 i ) = Ĉ2 k 1 1 i,n + λ 2 k Ĉ n k i,k j=1 C. j,k Toutefois, une compagnie doit au minimum provisionner pour la branche d activité, et par par année. Il faut ensuite calculer le mse pour R = R R n. En fait, on notera que ] 2 mse( R) n n = E R i R i H n i=2 i=2 soit ( n ) [ ( mse( R) n ) ] 2 n = Var C i,n H n + E C i,n H n Ĉ i,n i=2 i=2 i=2 Comme on suppose que les années de survenance sont indépendantes, le premier terme se simplifie, ( n ) n Var C i,n H n = Var (C i,n H n ) i=2 i=2

16 16 Chapitre 10 (dont les terms sous le signe sommee ont été calculés auparavant). Pour le second terme, il peut être réécrit [ n ] 2 soit i=2 E (C i,n H n ) Ĉi,n n [E (C i,n H n ) Ĉi,n] [E (C j,n H n ) Ĉj,n]. i,j=2 En utilisant les notations précédantes, notons que [E (C i,n H n ) Ĉi,n] [E (C j,n H n ) Ĉj,n] = [C i,n i F i ] [C j,n j F j ] ce qui permet de réécrire l erreur quadratique moyenne pour R. En réutilise alors l astuce précédante pour estimer F i F j. Proposition 10.3 L erreur quadratique moyenne du montant de provision mse( R), pour l ensemble des années de survenance, peut être estimé par mse( R) = n mse( R i ) + 2 i=2 2 i<j n Ĉ i,n Ĉ j,n k=n i σ k 2/ λ 2 k n k l=1 C. l,k Cette vision est parfois appelée «vision à l ultime» de l incertitude relative au montant de provision. Exemple 10.1 Sur le triangle de paiements 10.2, mse( R) = 79.30, alors que mse( R n ) = 68.45, mse( R ) = 31.3 ou mse( R n 2 ) = L incertitude à un an de Merz & Wüthrich Pour comprendre la notion d incertitude à un an, plaçons nous un an en arrière. A la fin de l année n 1, nous disposions du triangle sans la dernière diagonale, que l on avait alors complété par la méthode Chain Ladder (Table ). Si l on ne s intéresse qu aux années antérieures, i = 0,, n 1, à la fin de l année n, nous avions obtenu un triangle avec une diagonale supplémentaire que l on avait alors complété par la méthode Chain Ladder (Table ). A la fin de l année, le montant de provisions constitué était de 2114, 61, pour ces n 1 premières années. Au final, on pensait payer 27513, 61 (toutes années confondues). A la fin de l année n, la charge totale était revue à la hausse, passant à 27697, 33. Cette augmentation de 183, 72 correspond à un «mali». C est l incertitude associée à cette quantité qui est aujourd hui demandé dans le cadre des changements des normes comptables imposées par Solvabilité II.

17 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 17 Table 10.7 Triangle des paiements cumulés sur les années antérieures, C = (C i,j ) i+j,i avec les projection future Ĉ = (Ĉi,j) i+j> Table 10.8 Triangle des paiements cumulés sur les années antérieures, C = (C i,j ) i+j n,i avec les projection future Ĉ = (Ĉi,j) i+j>n Si on souhaite formaliser le calcul que l on vient d effectuer, il convient d introduire dans les notations la date à laquelle est faite l estimation. Par exemple, on distinguera λ n j = n i 1 n i i=0 C i,j+1 n+1 i=0 n i 1 et λ j = C i,j+1 n i i=0 C i,j i=0 C i,j qui sont les facteurs de transitions obtenus l année n et l année n+1. La section précédante permet de monter que E( λ n j H n ) = λ j et E( λ n+1 j H n+1 ) = λ j. Sauf qu ici, on se place toujours à la date n. Il convient alors de calculer H n ). Notons que E( λ n+1 j n i λ n+1 i=0 j = C i,j+1 n i i=0 C = i,j soit simplement n i i=0 C i,j+1 S n+1 = j i i=0 C i,j+1 S n+1 j + C n j,j+1 S n+1 j λ n+1 j = Sn j λ n j S n+1 j + C n j,j+1 S n+1. j

18 18 Chapitre 10 Lemme 10.1 Sous les hypothèses du modèles de Mack, E( λ n+1 j H n ) = Sn j S n+1 j On en déduit en particulier que E(Ĉn+1 i,j H n ) = C i,n i λ n i λ n C n j,n j + λ j S n+1. j j 1 k=n i+1 ( λn+1 ) E k H n. En reprenant les notations de (15), on peut étudier la variation du boni/mali d une année sur l autre, c est à dire du changement dans la prédiction de la charge totale, entre deux années. Pour cela, on introduit le concept suivant Définition 10.1 Le «claims development result» CDR i (n + 1), pour l année de survenance i, entre les dates n et n + 1 est CDR i (n + 1) = E(R n i H n ) [ Y i,n i+1 + E(R n+1 i H n+1 ) ], où Y i,n i+1 correspond à l incrément de paiements, Y i,n i+1 = C i,n i+1 C i,n i. On notera que CDR i (n+1) est une martingale H n+1 -mesurable, et que l on peut réécrire CDR i (n + 1) = E(C i,n H n ) E(C i,n H n+1 ). De plus, E (CDR i (n + 1) H n ) peut s écrire ou encore C i,n i C i,n i j=n i λ n j λ n i 1 λ n i λ n n i j=n i+1 j=n i+1 [ ( S n j S n+1 j 1 + (λ j λ n j ) λ n j + λ j Cn j,j S n+1 j ] C n j,j λ n j. Sn+1 j ), A l aide de ces relations, on peut calculer, puis estimer, l erreur quadratique moyenne de prédiction conditionnel du boni-mali (ou du CDR avec ces notations), par année de survenance i pour commencer, puis en aggrégeant toutes les années. Pour l erreur de modélisation, on peut noter que Var(CDR i (n + 1) D n ) = E(C i,n D n ) 2 σ2 n i /λ2 n i C i,n i.

19 MODÈLES STATISTIQUES DU RISQUE EN ASSURANCE 19 Pour l erreur d estimation, où Pour l estimation de ces deux termes, on considère naturellement Var(CDR i (n + 1) D n ) = (Ĉn i,n) 2 [ σn n i ]2 /[ λ n n i ]2 C i,n i, [ σ n i] n 2 = 1 n j ( ) 2 Ci,j C i,j 1 n j C λ n j 1 i,j 1 j=n i i=0 En revanche pour le second terme, c est un peu plus compliqué. On peut toutefois écrire ( ) Ci,n ie 2 S n λ n j j λ n i S n+1 λ n j + λ j 2 Cn j,j j S n+1 H n. j j=n i+1 Un peu de calcul permet alors d obtenir [ ] [ σ 2 j /λ 2 j j=n i λ 2 j j=n i S n j j=n i+1 α 2 j σ 2 j /λ2 j S n j + 1 ] 2 j=n i+1 [ α j σ 2 j /λ2 j S n j + 1] où α j = Sn j S n+1 j. On arrive finalement à la propriété suivante Lemme 10.2 Sous les hypothèses du modèle de Mack, msepc (CDR i (t)) = Ĉ2 i,n ( Γi,n + ) i,n où et Γ i,n = i,n = σ 2 n i+1 λ 2 n i+1 Sn+1 n i+1 + ( ) σ 2 n i λ 2 n i+1 C i,n i+1 j=n i+2 j=n i+2 ( ( 1 + C n j+1,j S n+1 j σ 2 j ) 2 σ 2 j λ 2 j Sn j λ 2 j [Sn+1 j ] C 2 n j+1,j ) 1. (15) ont alors approché ce terme par σ 2 n i+1 Γ i,n λ 2 n i+1 C + i,n i+1 j=n i+2 ( C n j+1,j S n+1 j ) 2 σ 2 j λ 2 j C n j+1,j

20 20 Chapitre 10 en faisant tout simplement un développement de la forme (1+u i ) 1+ u i, mais qui n est valide que si u i est petit, soit ici σ j 2 λ 2 j << C n j+1,j. Si l on regarde finalement ce qui se passe toutes années de survenance confondues, (15) ont obtenu une formule fermée. Sur le triangle 10.1, on obtient les grandeurs données dans la Table avec respectivement l incertitude à l ultime, et l incertitude (avec ou sans l approximation discutée dans le paragraphe précédant). Table 10.9 Erreurs quadratiques moyenne de prévision conditionnelles, à l ultime ou sur les boni-mali (CDR), avec la formule exacte, et la forme approchée cumul Mack Merz-Wüthrich (app.) Merz-Wüthrich (ex.) Régression et modèles factoriels Dans cette section, nous nous éloignerons des modèles récursifs inspirés de la méthode Chain Ladder, et nous reviendrons sur des classes de modèles très utilisés dans les années 70, appelés «modèles à facteurs», remis au goût du jour en proposant une lecture économétrique de ces modèles, permettant ainsi d obtenir des intervalles de confiance des différentes grandeurs Les modèles à facteurs, un introduction historique Avant de présenter l utilisation des modèles de régression, on peut commencer par évoquer des modèles plus anciens. Par exemple (20) supposait que Y i,j = r j µ i+j, pour tout i, j, autrement dit, on suppose qu il existe un effet colonne de cadence de paiement (paramètre r j ), et un effet diagonal, que (20) interprète comme un facteur d inflation (paramètre µ i+j ). Ce modèle peut se réécrire, dès lors qu il n y a pas d incrément négatif, log Y i,j = α i + γ i+j

Chapitre 1. Risque et assurance. Arthur Charpentier. 1.1 Prise en compte de la dynamique en assurance

Chapitre 1. Risque et assurance. Arthur Charpentier. 1.1 Prise en compte de la dynamique en assurance Chapitre 1 Risque et assurance Arthur Charpentier Dans ce chapitre, nous allons présenter quelques modèles utilisés par les assureurs afin de quantifier les risques pris. Nous insisterons sur deux risques

Plus en détail

Risque et assurance. Arthur Charpentier. Université Rennes 1. arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.

Risque et assurance. Arthur Charpentier. Université Rennes 1. arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free. Risque et assurance Arthur Charpentier Université Rennes 1 arthur.charpentier@univ-rennes1.fr http ://freakonometrics.blog.free.fr/ Journées d Études Statistique, Luminy, Novembre 2010. 1 1 Prise en compte

Plus en détail

Le provisionnement en assurance non-vie prise en compte de la dépendance

Le provisionnement en assurance non-vie prise en compte de la dépendance Le provisionnement en assurance non-vie prise en compte de la dépendance Arthur Charpentier http://freaconometrics.blog.free.fr Séminaire interne Desjardins Assurances Générales, février 2011 Les provisions

Plus en détail

Arthur Charpentier. Université Rennes I et École polytechnique. Laurent Devineau. Milliman. Jean-Marie Nessi. Institut des actuaires

Arthur Charpentier. Université Rennes I et École polytechnique. Laurent Devineau. Milliman. Jean-Marie Nessi. Institut des actuaires MESURER LE RISQUE LORS DU CALCUL DES PROVISIONS POUR SINISTRES À PAYER Arthur Charpentier Université Rennes I et École polytechnique Laurent Devineau Milliman Jean-Marie Nessi Institut des actuaires P

Plus en détail

Statistique de l assurance, STT 6705 Statistique de l assurance II

Statistique de l assurance, STT 6705 Statistique de l assurance II Statistique de l assurance, STT 6705 Statistique de l assurance II Arthur Charpentier Université Rennes 1 & Université de Montréal arthur.charpentier@univ-rennes1.fr ou ou charpentier@dms.umontreal.ca

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

MODELE DE PROVISIONNEMENT SUR DONNEES DETAILLEES

MODELE DE PROVISIONNEMENT SUR DONNEES DETAILLEES MODELE DE PROVISIONNEMENT SUR DONNEES DETAILLEES EN ASSURANCE NON-VIE GUILLAUME BENETEAU Towers-Perrin Tillinghast 20, place de Seine Tour Neptune La défense 1 92086 Paris La Défense cedex France tél :

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Le métier d actuaire IARD

Le métier d actuaire IARD JJ Mois Année Le métier d actuaire IARD Journées Actuarielles de Strasbourg 6-7 octobre 2010 PLAN Présentation de l assurance non vie Le rôle de l actuaire IARD La tarification des contrats L évaluation

Plus en détail

ACT-2040 : Assurances I.A.R.D : Tarification et évaluation Hiver 2013 (Cours obligatoire - 3 crédits)

ACT-2040 : Assurances I.A.R.D : Tarification et évaluation Hiver 2013 (Cours obligatoire - 3 crédits) Université du Québec à Montréal Faculté des Sciences Département de mathématiques Section Actuariat ACT-2040 : Assurances I.A.R.D : Tarification et évaluation Hiver 2013 (Cours obligatoire - 3 crédits)

Plus en détail

assurance Février 2012

assurance Février 2012 Modèles fréquence coût : Construire un générateur de scénarios Quelles perspectives économiques d évolution en? assurance Version 0.7 Version 1.2 Mars 2014 Février 2012 Frédéric PLANCHET frederic@planchet.net

Plus en détail

SOMMAIRES D OUVRAGES PARUS

SOMMAIRES D OUVRAGES PARUS SOMMAIRES D OUVRAGES PARUS TITRE : MÉTHODES ACTUARIELLES DE L'ASSURANCE VIE (cours et exercices corrigés) AUTEUR : Christian HESS ÉDITEUR : ÉCONOMICA, PARIS DATE DE PARUTION : NOVEMBRE 2000 357 pages prix

Plus en détail

Introduction à l'actuariat

Introduction à l'actuariat Introduction à l'actuariat 3A MMEFI M2 AMSE M2 IMSA Renaud Bourlès Introduction (1) Spécicité de l'assurance : cycle de production inversé Contrat d'assurance = promesse Importance de la prévision Importance

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

Plus en détail

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. huitième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 huitième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 Soit X une variable aléatoire continue de fonction de densité

Plus en détail

La régression logistique PLS

La régression logistique PLS La régression logistique PLS Michel Tenenhaus Groupe HEC, 78351 Jouy-en-Josas 1 Introduction La régression PLS permet de relier une ou plusieurs variables de réponse y àun ensemble de variables prédictives

Plus en détail

Estimation de l erreur de prédiction dans le cas de l utilisation d une combinaison de méthodes pour le calcul de provisions en assurance IARD

Estimation de l erreur de prédiction dans le cas de l utilisation d une combinaison de méthodes pour le calcul de provisions en assurance IARD EURIA - Euro Institute of Actuarial Studies Bureau d études Sous la direction de Aude Goichon (KPMG) Franck Vermet (UBO) Françoise Pène (UBO) Estimation de l erreur de prédiction dans le cas de l utilisation

Plus en détail

Modélisation du risque opérationnel dans le secteur de l assurance

Modélisation du risque opérationnel dans le secteur de l assurance Avril 2011 N 14 Modélisation du risque opérationnel dans le secteur de l assurance Par Julie Gamonet Centre d études actuarielles Lauréate du prix du jeune actuaire 2010 Un texte paraissant dans SCOR Papers

Plus en détail

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Modèles et Méthodes de Réservation

Modèles et Méthodes de Réservation Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité 1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

Gestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE

Gestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE Gestion du niveau de la franchise d un contrat avec bonus-malus Pierre THEROND & Stéphane BONCHE SOMMAIRE 1. Réduction de franchise en l absence de système bonus-malus A - Bonnes propriétés du modèle collectif

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains. Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4

SUJET INÉDIT 1. Dossier 1. Charges et choix d une unité d œuvre 4 points 45 minutes CHAPITRES 1 et 4 SUJET INÉDIT 1 La société Coupe & Shampoing Coupe & Shampoing est un salon de coiffure indépendant. Afin de faire face à la concurrence de salons de coiffure franchisés, son dirigeant, Kamel, aimerait

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité Introduction à l analyse des données Analyse des Données () Le but de l analyse de données est de synthétiser, structurer l information contenue dans des données multidimensionnelles Deux groupes de méthodes

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

Plus en détail

Terminale ES Correction du bac blanc de Mathématiques (version spécialité).

Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Terminale ES Correction du bac blanc de Mathématiques (version spécialité). Lycée Jacques Monod février 05 Exercice : Voici les graphiques des questions. et.. A 4 A Graphique Question. Graphique Question..

Plus en détail

pour les compagnies d assurances non-vie relatif à l estimation des paramètres du modèle standard SST

pour les compagnies d assurances non-vie relatif à l estimation des paramètres du modèle standard SST GUIDE PRATIQUE pour les compagnies d assurances non-vie relatif à l estimation des paramètres du modèle standard SST Edition du 16 décembre 2011 But Le présent guide pratique s entend comme une aide pour

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

Makram BEN DBABIS Associate Towers Watson & Doctorant Mathématiques Appliquées en Sciences Actuarielles Université Paris Dauphine December 14, 2010 PLAN PROBLÉMATIQUE, INTÉRÊT DU SUJET 1 PROBLÉMATIQUE,

Plus en détail

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Une illustration de l utilisation des modèles de durée en actuariat

Une illustration de l utilisation des modèles de durée en actuariat Une illustration de l utilisation des modèles de durée en actuariat Olivier Lopez Université Paris VI, LSTA Formation IPR ENS Cachan Bretagne, 28-09-11 Outline 1 Introduction 2 Tarification d une rente

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

cadre du pilier 1 assurance Février 2012

cadre du pilier 1 assurance Février 2012 Mortalité, longévité, pandémie : Construire un générateur de scénarios Choix des économiques hypothèses en dans le assurance cadre du pilier 1 Version 1.2 Version 1.0 Septembre 2012 Février 2012 Frédéric

Plus en détail

3 e Atelier des Étudiants Gradués en Actuariat et Mathématiques Financières. 3 rd Graduate Students Workshop on Actuarial and Financial Mathematics

3 e Atelier des Étudiants Gradués en Actuariat et Mathématiques Financières. 3 rd Graduate Students Workshop on Actuarial and Financial Mathematics 3 e Atelier des Étudiants Gradués en Actuariat et Mathématiques Financières 3 rd Graduate Students Workshop on Actuarial and Financial Mathematics Résumé-Abstracts Organization: Ghislain Léveillé Co-organization:

Plus en détail

Production des Services d Assurance non-vie selon le SCN 2008

Production des Services d Assurance non-vie selon le SCN 2008 REPUBLIQUE DU CAMEROUN Paix - Travail Patrie ---------- INSTITUT NATIONAL DE LA STATISTIQUE ---------- REPUBLIC OF CAMEROON Peace - Work Fatherland ---------- NATIONAL INSTITUTE OF STATISTICS ----------

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3

CALCUL SCIENTIFIQUE. 1 Erreur absolue et erreur relative 2. 2 Représentation des nombres sur ordinateur 3 MTH1504 2011-2012 CALCUL SCIENTIFIQUE Table des matières 1 Erreur absolue et erreur relative 2 2 Représentation des nombres sur ordinateur 3 3 Arithmétique flottante 4 3.1 Absorption........................................

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Un Modèle d'evaluation des Obligations à Taux Variable à Partir de la Courbe des Taux Zéro-Coupons des Emprunts d Etat. Résumé

Un Modèle d'evaluation des Obligations à Taux Variable à Partir de la Courbe des Taux Zéro-Coupons des Emprunts d Etat. Résumé Un Modèle d'evaluation des Obligations à Taux Variable à Partir de la Courbe des Taux Zéro-Coupons des Emprunts d Etat Pierre Valentin Compagnie Parisienne de Réescompte, 4 rue Cité de Londres, 75009 Paris,

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

S5 Info-MIAGE 2013-2014 Mathématiques Financières Les bases de l évaluation des investissements

S5 Info-MIAGE 2013-2014 Mathématiques Financières Les bases de l évaluation des investissements Université de Picardie Jules Verne Année 2013-2014 UFR des Sciences Licence mention Informatique parcours MIAGE - Semestre 5 Mathématiques Financières LES BASES DE L EVALUATION DES INVESTISSEMENTS Les

Plus en détail

Programme de la classe terminale

Programme de la classe terminale MATHÉMATIQUES Série Sciences et technologies de la gestion Programme de la classe terminale Juillet 005 Ministère de l'éducation nationale, de l Enseignement supérieur et de la Recherche Direction de l

Plus en détail

Séries chronologiques saisonnières et prévision

Séries chronologiques saisonnières et prévision Séries chronologiques saisonnières et prévision Jairo Cugliari L1 IDEA S2 2014-2015 Under construction (version compiled on 05/02/2015 at 13:37) (last version available here) Plan du cours 1 Notations

Plus en détail

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive

Probabilités et Statistiques. Chapitre 1 : Statistique descriptive U.P.S. I.U.T. A, Département d Informatique Année 2008-2009 Probabilités et Statistiques Emmanuel PAUL Chapitre 1 : Statistique descriptive 1 Objectifs des statistiques. Il s agit d étudier un ou plusieurs

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Processus de comptage, Poisson mélange, fonction de perte exponentielle, système bonus-malus.

Processus de comptage, Poisson mélange, fonction de perte exponentielle, système bonus-malus. JF WALHIN* J PARIS* * Université Catholique de Louvain, Belgique Le Mans Assurances, Belgique RÉSUMÉ Nous proposons une méthodologie générale pour construire un système bonus-malus équilibré basé sur une

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

Méthodes de projection

Méthodes de projection Chapitre 11 Méthodes de projection Contenu 11.1 Analyse en composantes principales........ 138 11.1.1 L Analyse en Composantes Principales........ 139 11.1.2 La (grande) famille des ACP............. 151

Plus en détail

Mesure et gestion des risques d assurance

Mesure et gestion des risques d assurance Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

1. Embedded Value (EV) au 31.12.2013

1. Embedded Value (EV) au 31.12.2013 1. Embedded Value (EV) au 31.12.2013 1.1 La notion d embedded value La présente communication porte sur l Embedded Value agrégée des deux sociétés Vie qui sont détenues à 100% par Foyer S.A., à savoir

Plus en détail

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Nous abordons dans ce chapitre l analyse de données statistiques particulières

Plus en détail

La Volatilité Locale

La Volatilité Locale La Volatilité Locale Bertrand TAVIN Université Paris 1 - Panthéon Sorbonne 26 mai 2010 Résumé Dans cette courte note nous introduisons le concept de volatilité locale et les modèles de pricing basés sur

Plus en détail

Cours 3: Inversion des matrices dans la pratique...

Cours 3: Inversion des matrices dans la pratique... Cours 3: Inversion des matrices dans la pratique... Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module complémentaire de maths, année 2012 1 Rappel de l épisode précédent

Plus en détail

Petit déjeuner Actuariat - 27 juin 2013

Petit déjeuner Actuariat - 27 juin 2013 Provisions pour Prestations à Payer en Assurance Santé : Comparaisons de méthodes d estimation sur la base de simulations de remboursements Petit déjeuner Actuariat - 27 juin 2013 Petit déjeuner Actuariat

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

LES PROVISIONS TECHNIQUES : UNE APPROCHE PAR SIMULATIONS

LES PROVISIONS TECHNIQUES : UNE APPROCHE PAR SIMULATIONS LES PROVISIONS TECHNIQUES : UNE APPROCHE PAR SIMULATIONS Yannick REGAZZONI Actuaire I.S.F.A. Jérôme SANDER Le Foyer Assurance, Luxembourg Le but de cet article est de proposer une méthode d'estimation

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot

SOMMES ET PRODUITS. 1 Techniques de calcul. 1.1 Le symbole. 1.2 Règles de calcul. Laurent Garcin MPSI Lycée Jean-Baptiste Corot SOMMES ET PRODUITS 1 Techniques de calcul 1.1 Le symbole Notation 1.1 Soient m et n deux entiers naturels. Alors { a m + a m+1 + + a + a n si m n, a = 0 sinon. On peut aussi noter m n =m a ou encore m,n

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Correction du baccalauréat STMG Polynésie 17 juin 2014

Correction du baccalauréat STMG Polynésie 17 juin 2014 Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé

Plus en détail

Introduction à la Théorie des Valeurs Extrêmes Applications en actuariat

Introduction à la Théorie des Valeurs Extrêmes Applications en actuariat JJ Mois Année Introduction à la Théorie des Valeurs Extrêmes Applications en actuariat Armelle Guillou (Université de Strasbourg ) & Alexandre You (Société Générale Insurance) 1. Calibrage de la sinistralité

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail