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

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Le provisionnement en assurance non-vie prise en compte de la dépendance Arthur Charpentier Séminaire interne Desjardins Assurances Générales, février 2011 Les provisions techniques sont les provisions destinées à permettre le réglement intégral des engagements pris envers les assurés et bénécaires de contrats. Elles sont liées à la technique même de l'assurance, et imposées par la réglementation. 1

2 1 Introduction et notations i (en ligne) l'année de survenance, j (en colonne) l'année de développement, Y i,j les incréments de paiments, pour l'année de développement j, pour les sinistres survenus l'année i, 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 j, > PAID [,1] [,2] [,3] [,4] [,5] [,6] [1,] [2,] NA [3,] NA NA [4,] NA NA NA [5,] NA NA NA NA [6,] 5217 NA NA NA NA NA 2

3 pour les triangles cumulés, ou pour les incréments > INCREMENT <- PAID > INCREMENT[,2:nrow(PAID)] <- PAID[,2:nrow(PAID)]-PAID[,1:(nrow(PAID)-1)] > INCREMENT [,1] [,2] [,3] [,4] [,5] [,6] [1,] [2,] NA [3,] NA NA [4,] NA NA NA [5,] NA NA NA NA [6,] 5217 NA NA NA NA NA 3

4 1.1 La méthode Chain Ladder (dynamique sur C) (C i,j ) j 0 est un processus Markovien, et qu'il existe λ = (λ j ) et σ = (σj 2 ) tels que E(C i,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 ) = σj 2 C i,j on peut écrire C i,j+1 = λ j C i,j + σ j Ci,j + ε i,j 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 coecients, 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 { n j } 1 min (C i,j+1 λ j C i,j ) 2 C i,j i=1 4

5 > library(chainladder) > MackChainLadder(PAID) MackChainLadder(Triangle = PAID) Latest Dev.To.Date Ultimate IBNR Mack.S.E CV(IBNR) 1 4, , NaN 2 4, , , , , , , , , ,367 2, Totals Latest: 32, Ultimate: 35, IBNR: 2, Mack S.E.:

6 1.2 La régression lognormale (économétrie sur Y ) On suppose que les incréments d pendent d'un facteur ligne (i) et d'un facteur colonne (j), log Y i,j N (a i + b j, σ 2 ), pour tout i, j > an <- 6; ligne <- rep(1:an, each=an); colonne <- rep(1:an, an) > INC <- PAID > INC[,2:6] <- PAID[,2:6]-PAID[,1:5] > Y <- as.vector(inc) > lig <- as.factor(ligne) > col <- as.factor(colonne) > reg <- lm(log(y)~col+lig) > summary(reg) Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) e-15 *** 6

7 col col * col ** col ** col * lig e-06 *** lig e-12 *** lig e-12 *** lig e-12 *** lig e-10 *** --- Signif. codes: 0 *** ** 0.01 * Residual standard error: on 10 degrees of freedom (15 observations deleted due to missingness) Multiple R-squared: , Adjusted R-squared: F-statistic: on 10 and 10 DF, p-value: 1.338e-11 7

8 On peut alors simplement utiliser cette régression pour construire le triangle de base du modèle, Ŷi,j = exp[â i + b j ] mais cet estimateur sera biaisé, > sigma=summary(reg)$sigma > INCpred <- matrix(exp(logy+sigma^2/2),an,an) > INCpred [,1] [,2] [,3] [,4] [,5] [,6] [1,] [2,] [3,] [4,] [5,] [6,] > cat("total reserve =",sum(exp(logy[is.na(y)==true]+sigma^2/2))) Total reserve =

9 1.3 La régression log-poisson (sur Y ) On suppose ici que Y i,j P(exp[a i + b j ]) pour tout i, j. > library(statmod) > an <- 6; ligne <- rep(1:an, each=an); colonne <- rep(1:an, an) > passe <- (ligne + colonne - 1)<=an; np <- sum(passe) > futur <- (ligne + colonne - 1)> an; nf <- sum(passe) > INC <- PAID > INC[,2:6] <- PAID[,2:6]-PAID[,1:5] > Y <- as.vector(inc) > lig <- as.factor(ligne) > col <- as.factor(colonne) > CL <- glm(y~lig+col, family=quasipoisson) > summary(cl) 9

10 Coefficients: Estimate Std. Error t value Pr(> t ) (Intercept) < 2e-16 *** lig e-12 *** lig e-12 *** lig e-10 *** lig e-08 *** lig e-07 *** col col *** col e-06 *** col e-07 *** col e-08 *** --- Signif. codes: 0 *** ** 0.01 * (Dispersion parameter for quasipoisson family taken to be ) 10

11 Null deviance: on 20 degrees of freedom Residual deviance: on 10 degrees of freedom (15 observations deleted due to missingness) AIC: NA Number of Fisher Scoring iterations: 4 Ŷ i,j = E(Y imj ) = m i,j = exp[â i + b j ] > mu.hat1 <- exp(predict(cl,newdata=data.frame(lig,col)))*futur > cat("total reserve =", sum(mu.hat1)) Total reserve = > mu.hat2 = predict(cl,newdata=data.frame(lig,col),type="response")*futur > cat("total reserve =", sum(mu.hat2)) Total reserve =

12 Les résidus de Pearson sont alors ε i,j = Y i,j m i,j mi,j. En simulant des erreurs (qui sont supposées indépendantes et identiquement distribuée), ε b = ( ε b i,j ), on pose alors Y b i,j = m i,j + m i,j ε b i,j. Une simulation nonparamétrique (ie bootstrap) est le plus naturel > CL <- glm(y~lig+col, family=quasipoisson) > residus=residuals(cl,type="pearson") 12

13 Densité Fonction de répartition Résidus Résidus 13

14 Table 1 Le triangle des résidus de Pearson, ε i,j = m 1/2 i,j [Y i,j m i,j ]. An de prendre en compte l'erreur de modèle, plusieurs méthodes peuvent être utilisées. La première, et la plus simple, consiste à noter qu'à partir du pseudo triangle Yi,j b b, peut obtenir des prédictions pour la partie inférieure, Ŷi,j. Compte tenu du 14

15 modèle Poissonnien, on peut alors simuler une trajectoire possible d'incréments de paiements en simulant les Yi,j b b à l'aide de loi de Poisson de paramètre Ŷi,j. Le code est alors le suivant > CLsimul1=function(triangle){ + triangles=rpoisson(length(triangle),lambda=triangle) + return(sum(ult-diag)) } La seconde méthode est d'utiliser une relecture du modèle de Mack (1993). A partir du pseudo triangle, on va utiliser les facteurs de développement λ j et les variances associés σ j 2 obtenus sur le triangle initial. On prolonge alors le triangle dans la partie inférience via le modèle dynamique Ĉ b i,j+1 Ĉb i,j N ( λ j Ĉ b i,j, σ 2 j Ĉb i,j). Le code est alors le suivant, où triangle est un triangle de paiements cumulés, l correspond à un vecteur de facteurs de développement, et s à un vecteur de volatilités, 15

16 > CLsimul2=function(triangle,l,s){ + m=nrow(triangle) + for(i in 2:m){ + triangle[(m-i+2):m,i]=rnorm(i-1, + mean=triangle[(m-i+2):m,i-1]*l[i-1], + sd=sqrt(triangle[(m-i+2):m,i-1])*s[i-1]) + } + ULT=triangle[,m] + DIAG=diag(triangle[,m:1]) + return(sum(ult-diag)) } 16

17 2 Dépendance entre triangles En s'insiprant de l'idée de Mack (1993), on peut supposer que R i suive une loi LN(µ i, σi 2 ) pour i = 1, 2. Si l'on suppose les risques indépendant, la loi de la somme est simplement la convolée des deux lois. On peut utiliser les familles de distribution au format S4 et la library(distr). Rappelons que pour si X LN(µ, σ 2 ), µ = log[e(x)] 1 ( 2 log 1 + Var(X) ) ( E(X) 2 et σ 2 = log 1 + Var(X) ) E(X) 2. A partir des moyennes et variances - données par la méthode de Mack (1993) par exemple - on en déduit les lois des deux montants de provision. Si on suppose que les deux triangles sont indépendants, alors > library(distr) > V=MackChainLadder(P.mat)$Total.Mack.S.E^2 > E=sum(MackChainLadder(P.mat)$FullTriangle[,n]- +-diag(mackchainladder(p.mat)$fulltriangle[n:1,])) 17

18 > mu = log(e) -.5*log(1+V^2/E^2) > sigma2 = log(1+v^2/e^2) > LM = Lnorm(meanlog=mu,sdlog=sqrt(sigma2)) > V=MackChainLadder(P.corp)$Total.Mack.S.E^2 > E=sum(MackChainLadder(P.corp)$FullTriangle[,n]- + diag(mackchainladder(p.corp)$fulltriangle[n:1,])) > mu = log(e) -.5*log(1+V^2/E^2) > sigma2 = log(1+v^2/e^2) > LC = Lnorm(meanlog=mu,sdlog=sqrt(sigma2)) > LT=LM+LC On peut alors comparer la loi convolée, et la loi lognormale ajustée sur le triangle cumulé, > P.tot = P.mat + P.corp > library(chainladder) > V=MackChainLadder(P.tot)$Total.Mack.S.E > E=sum(MackChainLadder(P.tot)$FullTriangle[,n]- 18

19 + diag(mackchainladder(p.tot)$fulltriangle[n:1,])) > mu = log(e) -.5*log(1+V^2/E^2) > sigma2 = log(1+v^2/e^2) > u=seq(0,qlnorm(.95,mu,sqrt(sigma2)),length=1000) > vtotal=dlnorm(u,mu,sqrt(sigma2)) > vconvol=d(lt)(u) > plot(u,vtotal) > lines(u, vconvol) 19

20 0.0e e e e 05 Loi lognormale sur le triangle cumulé Convolution des lois lognormales Montant de provision, total Les quantiles à 95% sont alors respectivement 20

21 > cat("quantile convolée =",q(lt)(.95)) Quantile convolée = > cat("quantile lognormal =",qlnorm(.95,mu,sqrt(sigma2))) Quantile lognormal = pour la loi convolée et pour la somme des deux triangles. Deux interprétations sont alors possibles : supposer les triangles comme étant indépendants est probablement une hypothèse trop forte et travailler sur un triangle agrégé (et donc peu homogène) introduit une incertitude supplémentaire. 21

22 3 Le modèle de Mack bivarié Prol & Schmidt (2005) a proposé une méthode de type Chain-Ladder dans un cadre multivarié. On note λ i,j = (λ (k) i,j ) où λ(k) i,j = C(k) i,j C (k) i,j 1 et C i,j = (C (k) i,j ) RK On suppose qu'il existe λ j = R K et E[C i,j C i,j 1 ] = (λ j 1 ) C i,j 1 Cov[C i,j, C i,j C i,j 1 ] = ( C j 1 ) Σ j 1 ( C j 1 ) Alors sous ces hypothèses, comme dans le cas univarié, on peut écrire E[C i,n C i,n i ] = n 1 j=n i (λ j )C i,n i. 22

23 L'estimateur du facteur de transition est λ j = [ n j 1 i=0 ( C i,j ) Σ 1 j ( C i,j )] 1 n j 1 i=0 ( C i,j ) Σ 1 j ( C i,j )λ i,j+1 L'estimateur Chain-Ladder de la charge ultime est Ĉ i,n = n 1 j=n i ( λ j )C i,n i. Cet estimateur vérie les mêmes propriétés que dans le cas univarié. En particulier, cet estimateur est un estimateur sans biais de E[C i,n C i,n i ] mais aussi de E[C i,n ]. Il est aussi possible de calculer les mse de prédiction. 23

24 4 Régression bivariée L'idée dans les modèles économétriques est de supposer que les résidus peuvent être corrélés, > ligne = rep(1:n, each=n); colonne = rep(1:n, n) > passe = (ligne + colonne - 1)<= n > PAID=P.corp; INC=PAID > INC[,2:n]=PAID[,2:n]-PAID[,1:(n-1)] > I.corp = INC > PAID=P.mat; INC=PAID > INC[,2:n]=PAID[,2:n]-PAID[,1:(n-1)] > I.mat = INC > Ym = as.vector(i.mat) > Yc = as.vector(i.corp) > lig = as.factor(ligne) > col = as.factor(colonne) 24

25 > base = data.frame(ym,yc,col,lig) > regm=glm(ym~col+lig,data=base,family="poisson") > regc=glm(yc~col+lig,data=base,family="poisson") > res.corp=residuals(regc,type="pearson") > res.mat=residuals(regm,type="pearson") > plot(res.corp,res.mat) 25

26 résidus de Pearson, sinistres corporels résidus de Pearson, sinistres matériel On notera que la corrélation n'est pas nulle. 26

27 > cat("corrélation des résidus =",cor(res.mat,res.corp)) Corrélation des résidus = Une fois notée qu'il existe probablement une dépendance entre les deux triangles, il semble légitime de la prendre en compte dans les algorithmes de simulations pour l'erreur d'estimation, quand on tire les résidus, on ne les tire pas indépendement dans les deux triangles. On tire alors les paires de résidus ( ε matériel,b i,j, ε corporel,b i,j ) pour l'erreur, on peut tirer une loi de Poisson bivariée si on utilise une régression Poissonnienne bivariée (implémentée dans library()bivpois ou un vecteur Gaussien bivarié. Dans le second cas, Cmatériel i,j+1 C corporel i,j+1 N λm j Cmatériel i,j λ c j Ccorporel i,j, σm2 j C matériel i,j σ c2 j Ccorporel i,j 27

28 > library(mnormt) > CLb2=function(triangle1,l1,s1,triangle2,l2,s2,rho){ + m=nrow(triangle1) + for(i in 2:m){ + for(j in (m-i+2):m){ + E=rmnorm(1, mean=c(triangle1[j,i-1]*l1[i-1], + triangle2[j,i-1]*l2[i-1]), + varcov=matrix(c(triangle1[j,i-1]*s1[i-1]^2, + rho*sqrt(triangle1[j,i-1]*triangle2[j,i-1])* + s1[i-1]*s2[i-1], + rho*sqrt(triangle1[j,i-1]*triangle2[j,i-1])* + s1[i-1]*s2[i-1],triangle2[j,i-1]*s2[i-1]^2),2,2)) + triangle1[j,i]=e[1,1] + triangle2[j,i]=e[1,2] + }} + ULT1=triangle1[,m] + DIAG1=diag(triangle1[,m:1]) 28

29 + ULT2=triangle2[,m] + DIAG2=diag(triangle2[,m:1]) + return(c(sum(ult1-diag1),sum(ult2-diag2))) + } On peut alors faire tourner des simulations base=data.frame(ypc,ypm,lig,col) nsim=50000 PROVISION=rep(NA,nsim) PROVISIONm=rep(NA,nsim) PROVISIONc=rep(NA,nsim) PROVISIONc2=rep(NA,nsim) PROVISION2=rep(NA,nsim) for(k in 1:nsim){ I=sample(1:45,size=n^2,replace=TRUE) simem = Em[I] simec = Ec[I] 29

30 I=sample(1:45,size=n^2,replace=TRUE) simec2= Ec[I] bruitm=simem*sqrt(exp(ypm)) bruitc=simec*sqrt(exp(ypc)) bruitc2=simec2*sqrt(exp(ypc)) INCsm=exp(YPm)+bruitm INCsc=exp(YPc)+bruitc INCsc2=exp(YPc)+bruitc2 INCMm=matrix(INCsm,n,n) INCMc=matrix(INCsc,n,n) INCMc2=matrix(INCsc2,n,n) CUMMm=INCMm CUMMc=INCMc CUMMc2=INCMc2 for(j in 2:n){CUMMm[,j]=CUMMm[,j-1]+INCMm[,j] CUMMc[,j]=CUMMc[,j-1]+INCMc[,j] CUMMc2[,j]=CUMMc2[,j-1]+INCMc2[,j]} 30

31 PROVISIONm[k]=CLb(CUMMm,lambdam,sigmam) PROVISIONc[k]=CLb(CUMMc,lambdac,sigmac) PROVISIONc2[k]=CLb(CUMMc2,lambdac,sigmac) PROVISION[k]=sum(CLb2(CUMMm,lambdam,sigmam,CUMMc,lambdac,sigmac,0.8)) PROVISION2[k]=CLb(CUMMm,lambdam,sigmam)+CLb(CUMMc2,lambdac,sigmac)} 31

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

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015

Exercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015 Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par

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

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Le modèle linéaire généralisé avec R : fonction glm()

Le modèle linéaire généralisé avec R : fonction glm() SEMIN- Le modèle linéaire généralisé avec R : fonction glm() Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Ecole Normale Supérieure 46 rue d'ulm F-75230 Paris Cedex 05 sebastien.ballesteros@biologie.ens.fr

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

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

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

Plus en détail

Sélection de modèles avec l AIC et critères d information dérivés

Sélection de modèles avec l AIC et critères d information dérivés Sélection de modèles avec l AIC et critères d information dérivés Renaud LANCELOT et Matthieu LESNOFF Version 3, Novembre 2005 Ceci n est pas une revue exhaustive mais une courte introduction sur l'utilisation

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

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

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

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

Un exemple de régression logistique sous

Un exemple de régression logistique sous Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les

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

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

Données longitudinales et modèles de survie

Données longitudinales et modèles de survie ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan

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

Normalité des rendements?

Normalité des rendements? Normalité des rendements? Daniel Herlemont 31 mars 2011 Table des matières 1 Introduction 1 2 Test de Normalité des rendements 2 3 Graphiques quantile-quantile 2 4 Estimation par maximum de vraisemblance

Plus en détail

Statistique de l assurance

Statistique de l assurance Statistique de l assurance Arthur Charpentier To cite this version: Arthur Charpentier. Statistique de l assurance. 3ème cycle. Université de Rennes 1 et Université de Montréal, 2010, pp.133.

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

Une introduction. Lionel RIOU FRANÇA. Septembre 2008

Une introduction. Lionel RIOU FRANÇA. Septembre 2008 Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4

Plus en détail

Actuariat de l Assurance Non-Vie # 5 A. Charpentier (UQAM & Université de Rennes 1)

Actuariat de l Assurance Non-Vie # 5 A. Charpentier (UQAM & Université de Rennes 1) Actuariat de l Assurance Non-Vie # 5 A. Charpentier (UQAM & Université de Rennes 1) ENSAE ParisTech, Octobre 2015 - Janvier 2016. http://freakonometrics.hypotheses.org @freakonometrics 1 Surdispersion?

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

UNIVERSITE PARIS VIII ECOLE DOCTORALE COGNITION, LANGAGE, INTERACTION. Thèse de Doctorat en psychologie clinique et psychopathologie

UNIVERSITE PARIS VIII ECOLE DOCTORALE COGNITION, LANGAGE, INTERACTION. Thèse de Doctorat en psychologie clinique et psychopathologie UNIVERSITE PARIS VIII ECOLE DOCTORALE COGNITION, LANGAGE, INTERACTION Thèse de Doctorat en psychologie clinique et psychopathologie Présentée et soutenue publiquement par Rébecca Shankland Née le 9 août

Plus en détail

Modèles de prévision Partie 2 - séries temporelles

Modèles de prévision Partie 2 - séries temporelles Modèles de prévision Partie 2 - séries temporelles Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 Plan du cours Motivation et introduction aux séries temporelles

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

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE

TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE TESTS STATISTIQUES: COMPARAISON, INDÉPENDANCE ET RÉGRESSION LINÉAIRE Les résultats donnés par R et SAS donnent les valeurs des tests, la valeur-p ainsi que les intervalles de confiance. TEST DE COMPARAISON

Plus en détail

Notes de cours Économétrie 1. Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement

Notes de cours Économétrie 1. Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Notes de cours Économétrie 1 Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction Qu est-ce que l économétrie? À quoi sert -

Plus en détail

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés

Feuille de TP N 3 : Modèle log-linéaire - Travail guidé. 1 Cancers : modèle log-linéaire à deux facteurs croisés M1 MLG Année 2012 2013 Feuille de TP N 3 : Modèle log-linéaire - Travail guidé 1 Cancers : modèle log-linéaire à deux facteurs croisés Ce premier exercice reprend l exercice 1 de la feuille de TD n 3.

Plus en détail

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS

SEMIN- Introduction au modèle linéaire mixte. Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN- Introduction au modèle linéaire mixte Sébastien BALLESTEROS UMR 7625 Ecologie Evolution Equipe Eco-Evolution mathématique ENS Ulm, UPMS SEMIN-R du MNHN 18 Décembre 2008 Introduction au modèle linéaire

Plus en détail

Exemples d application

Exemples d application Institut National Agronomique Paris - Grignon Exemples d application du modèle linéaire E Lebarbier, S Robin Département OMIP 12 février 2007 Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations

Plus en détail

Cours 6 : Les statistiques avec R. XVII- Généralités XVIII- Les formules XIX- Les sorties

Cours 6 : Les statistiques avec R. XVII- Généralités XVIII- Les formules XIX- Les sorties Cours 6 : Les statistiques avec R XVII- Généralités XVIII- Les formules XIX- Les sorties XX- Les fonctions génériques XVII- Généralités Fonctions d analyse statistique disponibles Package «stats» : contient

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

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

La régression logistique généralisée avec la procédure LOGISTIC

La régression logistique généralisée avec la procédure LOGISTIC La régression logistique généralisée avec la procédure LOGISTIC 1 Sommaire I / Régression logistique généralisée 3 a. Introduction 3 b. Présentation de l exemple à étudier 3 II / Modélisation avec la proc

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

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

Variables continues en tarification

Variables continues en tarification Variables continues en tarification Arthur Charpentier 1 1 Université Rennes 1 - CREM & École Polytechnique arthur.charpentier@univ-rennes1.fr http ://blogperso.univ-rennes1.fr/arthur.charpentier/index.php/

Plus en détail

Théorie de la crédibilité

Théorie de la crédibilité ISFA - Année 2008-2009 Théorie de la crédibilité Chapitre 2 : Prime de Bayes Pierre-E. Thérond Email, Page web, Ressources actuarielles Langage bayesien (1/2) Considérons une hypothèse H et un événement

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

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

Exemples d application

Exemples d application AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif

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

Modèles pour données répétées

Modèles pour données répétées Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque

Plus en détail

ACT3284 Modèles en assurance IARD Examen Final - 14 décembre 2011

ACT3284 Modèles en assurance IARD Examen Final - 14 décembre 2011 #1 À partir de l'information ci-dessous : Sinistres payés cumulatifs Réserves aux dossiers 12 mois 24 mois 36 mois 12 mois 24 mois 36 mois 2008 240,000 393,600 499,200 2008 160,000 120,000 79,200 2009

Plus en détail

Économétrie des Marchés Financiers - Faits Stylisés & Modélisations

Économétrie des Marchés Financiers - Faits Stylisés & Modélisations Faits stylisés Faits stylisés = propriétés statistiques communes à la plupart des actifs financiers les prix suivent un processus multiplicatifs la variable à modéliser est le rendement δ p/p, ce faisant

Plus en détail

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse

M1 IMAT, Année 2009-2010 MODELES LINEAIRES. C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse M1 IMAT, Année 2009-2010 MODELES LINEAIRES C.Chouquet Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse Table des matières 1 Préambule 1 1.1 Démarche statistique...................................

Plus en détail

Contrôle sur machine (avec solution)

Contrôle sur machine (avec solution) DEA Analyse et Modélisation des Systèmes Biologiques Introduction au logiciel R - 2000/2001 Contrôle sur machine (avec solution) D. Chessel & J. Thioulouse 1. Questions Récupérer les fichiers wormshab.txt,

Plus en détail

Modèles de prévision Partie 2 - séries temporelles # 2

Modèles de prévision Partie 2 - séries temporelles # 2 Modèles de prévision Partie 2 - séries temporelles # 2 Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Été 2014 Plan du cours Motivation et introduction aux séries temporelles

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

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

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

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

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

Dossier / TD Econométrie. Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls

Dossier / TD Econométrie. Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls Dossier / TD Econométrie Analyse de la demande d essence aux Etats-Unis entre 1960-1995 fichier : essence.xls Source : Greene "Econometric Analysis" Prentice Hall International, 4 ème édition, 2000 Council

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

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

STATISTIQUES. UE Modélisation pour la biologie

STATISTIQUES. UE Modélisation pour la biologie STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres

Plus en détail

MODELE A CORRECTION D ERREUR ET APPLICATIONS

MODELE A CORRECTION D ERREUR ET APPLICATIONS MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques

Plus en détail

3- VALUE at RISK. ex : VaR ou valeur-en-risque ou valeur-à-risque synthétiser en un seul nombre le risque total d'un portefeuille d'actifs financiers

3- VALUE at RISK. ex : VaR ou valeur-en-risque ou valeur-à-risque synthétiser en un seul nombre le risque total d'un portefeuille d'actifs financiers 3- VALUE at RISK Objectif : présenter/discuter des «mesures de risques» nécessaires pour allocation optimale des fonds propres suivi efficace des risques et leur gestion mesure des performances conformité

Plus en détail

EXEMPLE : FAILLITE D ENTREPRISES

EXEMPLE : FAILLITE D ENTREPRISES EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : «Applied Multivariate Statistical

Plus en détail

LE MODÈLE LINÉAIRE SIMPLE

LE MODÈLE LINÉAIRE SIMPLE 1 LE MODÈLE LINÉAIRE SIMPLE DONNÉES, NUAGES DE POINTS Il est fréquent, dans une étude élémentaire, de chercher à préciser une liaison éventuelle entre deux grandeurs pour lesquelles on dispose d'une série

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

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

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

Traitement de données avec R Projet Scientifique Informatique

Traitement de données avec R Projet Scientifique Informatique Traitement de données avec R Projet Scientifique Informatique Licence 2 informatique / Licence 3 Math parcours MI S. Verel prenom.nom@unice.fr www.i3s.unice.fr/ verel/teaching/12-13/projscientifique/index.html

Plus en détail

Eléments de statistique Introduction - Analyse de données exploratoire

Eléments de statistique Introduction - Analyse de données exploratoire Eléments de statistique Introduction - Louis Wehenkel Département d Electricité, Electronique et Informatique - Université de Liège B24/II.93 - L.Wehenkel@ulg.ac.be MATH0487-2 : 3BacIng, 3BacInf - 16/9/2014

Plus en détail

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec. Probabilités II Étude de quelques lois Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.fr 2012 2013 1 1 Lois discrètes. On considère des v.a. ne prenant que des valeurs

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

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

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

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés

Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

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

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

Analyse des données «Hamburgers» à l aide de SPSS (v2, janvier 2011) Auteur : André Berchtold

Analyse des données «Hamburgers» à l aide de SPSS (v2, janvier 2011) Auteur : André Berchtold Analyse des données «Hamburgers» à l aide de SPSS (v2, janvier 2011) Auteur : André Berchtold Le site web «The Fast Food Explorer» (www.fatcalories.com) propose des données relatives à la composition des

Plus en détail

Statistiques descriptives

Statistiques descriptives Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives

Plus en détail

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Analyse de la variance Comparaison de plusieurs moyennes

Analyse de la variance Comparaison de plusieurs moyennes Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

Lire ; Compter ; Tester... avec R

Lire ; Compter ; Tester... avec R Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................

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

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

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

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Chapitre 9 ANALYSE MULTIDIMENSIONNELLE

Chapitre 9 ANALYSE MULTIDIMENSIONNELLE Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 9 ANALYSE MULTIDIMENSIONNELLE L analyse des données multidimensionnelles regroupe un ensemble de méthodes

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

De la mesure à l analyse des risques

De la mesure à l analyse des risques De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas

Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas Fiche TD avec le logiciel : tdr335 Densité de population et ingestion de nourriture chez un insecte vecteur de la maladie de Chagas F. Menu, A.B. Dufour, E. Desouhant et I. Amat La fiche permet de se familiariser

Plus en détail

MATHÉMATIQUES DE L ASSURANCE NON-VIE

MATHÉMATIQUES DE L ASSURANCE NON-VIE COLLECTION «ÉCONOMIE ET STATISTIQUES AVANCÉES» esa esa COLLECTION «ÉCONOMIE ET STATISTIQUES AVANCÉES» Cet ouvrage en deux tomes entend fournir aux étudiants, chercheurs et aux techniciens de l assurance

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

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

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

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail