Approximation polynomiale de la densité de probabilité
|
|
- Marie-Françoise Ménard
- il y a 8 ans
- Total affichages :
Transcription
1 Approximation polynomiale de la densité de probabilité Applications en assurance P.O. Goffard Axa France - Institut de Mathématiques de Marseille I2M Aix-Marseille Université Soutenance de thèse de doctorat
2 Contenu de la thèse Chap. 1: Motivations et applications des méthodes numériques en assurance. Chap. 2: Description de la méthode d approximation polynomiale. Chap. 3: Application de la méthode d approximation polynomiale à l évaluation des probabilités de ruine ultime dans le modèle de ruine de Poisson composé. Chap. 4: Application de la méthode d approximation polynomiale aux modèles collectifs multivariés: Exemple d application en réassurance. Chap. 5: Optimisation de l agrégation des portefeuille de contrats d assurance vie individuel de type épargne. 29 Juin 2015, Marseille 2/48
3 Les engagements de l assureur: Le modèle collectif Soit un portefeuille de contrats d assurance non-vie. Sur une période d exercice donnée, Le nombre de sinistres est modélisé par une variable aléatoire de comptage N, Les montants indemnisés forment une suite de variables aléatoires positives, indépendantes et identiquement distribuées (U i ) i N. Les engagements de l assureur sont modélisés par X = N U i, i=1 la suite {U i } i N est indépendante de N. X admet une distribution de probabilité composée. 29 Juin 2015, Marseille 3/48
4 La dépendance des risques: Le modèle collectif multivarié Soit n portefeuilles de contrats d assurance non vie, Les risques sont modélisés conjointement via N1 X 1 j=1 U 1j. X n =. Nn j=1 U nj M + j=1 V 1j. V nj, N = (N 1,..., N n) est un vecteur composé de variables aléatoire de comptage, (U 1j ) j N,..., (U nj ) j N sont des suites de variables aléatoires positives, et i.i.d.. {V i } i N = {(V 1i,..., V ni )} i N est une suite de vecteur aléatoire i.i.d., M est une variable aléatoire de comptage, {V i } i N, N, M et (U j1 ) j N,..., (U jn ) j N, sont indépendants. 29 Juin 2015, Marseille 4/48
5 La théorie de la ruine: Une modèlisation dynamique Soit un portefeuille de contrats d assurance non-vie. soit un instant t 0, Le nombre de sinistres est modélisé par un processus stochastique de comptage {N t} t 0, Les montants indemnisés forment une suite de variables aléatoires positives, indépendantes et identiquement distribuées (U i ) i N. Les engagements de l assureur à l instant t sont égaux à N t X t = U i, i=1 la suite (U i ) i N est indépendante du processus {N t} t Juin 2015, Marseille 5/48
6 La théorie de la ruine: Une modèlisation dynamique Soit un portefeuille de contrats d assurance non-vie. La réserve financière allouée au portefeuille de contrats est donnée par N t R t = u + ct U i, u est la réserve initiale, c est le montant des primes reçues par unité de temps. i=1 Le processus d excédent de sinistre est défini par S t = u R t. 29 Juin 2015, Marseille 6/48
7 La théorie de la ruine: Une visualisation graphique 29 Juin 2015, Marseille 7/48
8 Méthodes numériques: Cartographie 29 Juin 2015, Marseille 8/48
9 EXECUTIVE SUMMARY Application de la méthode d approximation polynomiale à deux problèmes. 1. Évaluation de la probabilité de ruine ultime dans le modèle de ruine de Poisson composé. {N t} t 0 est un processus de Poisson simple d intensité λ. 2. Étude d un modèle collectif bivarié et application dans un contexte de réassurance. 29 Juin 2015, Marseille 9/48
10 Définition de la probabilité de ruine Probabilité de ruine à horizon de temps infini, ( ) ψ(u) = P inf R t < 0; R 0 = u. t 0 Probabilité de ruine à horizon de temps fini, ( ) ψ(u, T ) = P inf R t < 0; R 0 = u. t [0,T ] Probabilité de non ruine à horizon de temps fini et infini, φ(u) = 1 ψ(u) φ(u, T ) = 1 φ(u, T ). 29 Juin 2015, Marseille 10/48
11 Définition alternative de la probabilité de ruine Instant de ruine et maximum du processus de surplus, τ u = inf{t 0 : R t < 0} = inf{t 0 : S t > u}, M = sup t 0 S t, M T = sup S t. t [0,T ] Probabilité de ruine à horizon de temps fini et infini, ψ(u) = P (τ u < ) = P (M > u), ψ(u, T ) = P (τ u < T ) = P (M T > u). 29 Juin 2015, Marseille 11/48
12 Le chargement de sécurité Le coût moyen des sinistres par unité de temps est 1 t E (X t) = λe(u). Le chargement de sécurité η est défini par, c = (1 + η)λe(u). Net Benefit Condition η > 0, Si η < 0 alors ψ(u) = 1, Si η > 0 alors ψ(u) < Juin 2015, Marseille 12/48
13 Probabilité de ruine ultime: La formule de Pollaczek-Khinchine Dans le cadre du modèle de ruine de Poisson composé, ψ(u) = P (M > u) M D = N V i, i=1 N suit une loi géométrique de paramètre p = λe(u) c < 1, P(N = n) = (1 p)p n. (V i ) i N est une suite de variables aléatoires positives, i.i.d. de densité, P(U > x) f V (x) =. E(U) (V i ) i N et N sont indépendantes. 29 Juin 2015, Marseille 13/48
14 Notations: Produit de convolution Soit U et V deux variables aléatoires indépendantes de densité f U et f V, f U+V (x) = f U (x y)f V (y)dy, = (f U f V )(x). Produit de convolution de f U et f V. Soit S = n i=1 U i, la somme de n variables aléatoires i.i.d., f S (x) =... f U (x y)f U (y)dy, = f ( n) U (x). f U convoluée n fois avec elle même. 29 Juin 2015, Marseille 14/48
15 Notations: Transformée de Laplace La transformée de Laplace d une variable aléatoire est définie par, L U (s) = E ( e su) = e sx f U (x)dλ(x). Ce qui donne pour la somme de variables aléatoires indépendantes: L U+V (s) = L U (s) L V (s), L S (s) = [L U (s)] n. 29 Juin 2015, Marseille 15/48
16 Distribution géométrique composée où et La variable aléatoire M = N i=1 U i admet une distribution composée, g M (x) = dp M (x) = P(N = 0)δ 0 (x) + dg M (x), = + n=1 + n=1 P(N = n)f ( n) V (x) (1 p)p n... f V (x y)f V (y)dy, ψ(u) = P(M > u) = + + u n=0 (1 p)p n... f V (x y)f V (y)dydx. 29 Juin 2015, Marseille 16/48
17 Transformée de Laplace de la probabilité de ruine La transformée de Laplace de M est donnée par, L M (s) = G N [L V (s)]. G N est la fonction génératrice des probabilités de N, Ce qui implique que puis G N (s) = E ( s N) = L M (s) = + k=0 1 p 1 pl V (s), L ψ (s) = 1 s [1 + L M(s)]. (1 p)p k s k 29 Juin 2015, Marseille 17/48
18 Méthode d approximation polynomiale en dimension 1 Soit X une variable aléatoire de loi de probabilité P X, de densité f X. ν est la mesure de probabilité de référence, de densité f ν. La loi de X est absolument continue par rapport à la mesure de référence, f X,ν (x) = dp X dν (x). {Q k } k N forme un système de polynômes orthonormaux par rapport à ν, < Q k, Q l >= Q k (x)q l (x)dν(x) = δ kl, k, l N. L idée est de projeter f X,ν sur la base de polynômes {Q k } k N. 29 Juin 2015, Marseille 18/48
19 Méthode d approximation polynomiale en dimension 1 La mesure de probabilité P X est absolument continue par rapport à la mesure de référence ν, Existence de dp X dν. L ensemble de polynômes est dense dans l ensemble L 2 (ν), Si dp X dν {Q k } k N forme une base de L 2 (ν). L2 (ν), alors avec dp + X dν (x) = a k Q k (x), x R, k=0 a k = E [Q k (X)], k N. 29 Juin 2015, Marseille 19/48
20 Méthode d approximation polynomiale en dimension 1 La densité de la variable aléatoire X admet la représentation polynomiale, f X (x) = f X,ν (x)f ν (x) = + k=0 a k Q k (x)f ν (x). L approximation est obtenue par troncature d ordre K, f K X (x) = f K X,ν(x)f ν (x) = K a k Q k (x)f ν (x). Les approximations de la fonction de répartition et de la fonction de survie s obtiennent par intégration. k=0 29 Juin 2015, Marseille 20/48
21 Approximation polynomiale de la probabilité de ruine La mesure de probabilité associée à M = N i=1 V i s écrit dp M (x) = (1 p)δ 0 (x) + dg M (x). Si dg M dν L2 (ν) alors, dg M dν (x) = < dg M dν, Q k > Q k (x). k N L approximation de la probabilité de ruine est obtenue après troncature et intégration, ψ K (u) = K k=0 < dg M dν, Q k > + u Q k (y)dν(y). 29 Juin 2015, Marseille 21/48
22 Choix de la mesure de probabilité de référence dg M est une mesure de probabilité défaillante de support R +. La loi gamma Γ(m, r) admet un support sur R +, sa densité est donnée par dν(x) = x r 1 e x/m m r dλ(x) Γ(r) Les polynômes orthogonaux par rapport à la mesure gamma sont les polynômes de Laguerre généralisés. Le choix des paramètres m et r est très important. 29 Juin 2015, Marseille 22/48
23 Vérification de la condition d intégrabilité Théorème Soit X variable aléatoire continue, et positive. H1 Il existe γ X = inf{s > 0, L X (s) = + }. H2 Soit a 0, l application x f X (x) est strictement décroissante pour x a. Alors, pour x a, f X (x) < A(s 0 )e s 0x, 0 < s 0 γ X. Dans le cas de le probabilté de ruine, l hypothèse H2 est vérifiée, et γ M = inf{s > 0, L gm (s) = + } est solution de l équation L V (s) = p Juin 2015, Marseille 23/48
24 Vérification de la condition d intégrabilité La condition d intégrabilité s écrit [ ] 2 + dgm dν (x) dν(x) < + gm(x)e 2 x/m x 1 r dx < +. 0 Par application de la majoration de g M, pour s 0 < γ M, gm(x)e 2 x/m x 1 r dx < A(s 0 ) e x(2s 0 1 m ) x 1 r dx. On vérifie la condition d intégrabilité avec r (0, 1], 1 m (0, 2γ M). 29 Juin 2015, Marseille 24/48
25 Décroissance des {a k } k N : Premier résultat La perte quadratique suite à l approximation est donnée par L ( g M,ν, gm,ν K ) = [gm,ν(x) gm,ν(x) K ] 2 dν(x) = + k=k +1 a 2 k. Lien directe entre la décroissance et la qualité de l approximation en fonction de l ordre de troncature. Proposition H1 x g M,ν (x) continue, deux fois dérivable H2 g M,ν, g (1) M,ν, g(2) M,ν L2 (ν) a k = o ( ) 1, k +. k 29 Juin 2015, Marseille 25/48
26 Décroissance des {a k } k N : Etude de la fonction génératrice La densité de probabilité defaillante de M admet la représentation polynomiale g M (x) = + k=0 En prenant la transformée de Laplace L gm (s) = a k Q k (x)f ν (x). ( ) r ( ) 1 sm C, 1 sm 1 sm où C(z) = + k=0 a kc k z k, avec (k ) + r 1 c k =. k 29 Juin 2015, Marseille 26/48
27 Décroissance des {a k } k N : Etude de la fonction génératrice La fonction génératrice des coefficients s exprime en fonction de la transformée de Laplace, avec [ ] C(z) = (1 + z) r z L gm. m(1 + z) Obtention des coefficients par dérivation et évaluation en 0, a k = 1 [ ] C (k) (z). c k k! z=0 NB: Le choix de m et r permet d altérer la fonction génératrice pour la rendre plus simple. 29 Juin 2015, Marseille 27/48
28 Décroissance des {a k } k N : Cas des montants de loi Γ(1, β) Si U i Γ(1, β), alors L gm (s) = p 1 + β (1 p) s, et pm(1 + z)1 r C(z) = ( ). m + z m δ 1 p m = δ 1 p et r = 1 C(z) = p. a 0 = p, et a k = 0 pour k Juin 2015, Marseille 28/48
29 Illustrations numériques: Cas des montants de loi Γ(α, β) Intensité du processus de Poisson: λ = 1, Montant de sinistres de loi Γ(2, 1), Primes périodiques: c = 5, Coefficient d ajustement: γ M = 1 24 La probabilité de ruine ultime est donnée par ( 19 ) 265. ψ(u) = e u e u. Plusieurs paramétrisations sont testées avec K = 40. La précision est mesurée à l aide de l écart relatif, ψ(u) = ψ Approx(u) ψ(u). ψ(u) 29 Juin 2015, Marseille 29/48
30 Illustrations numériques: Cas des montants de loi Γ(α, β) 29 Juin 2015, Marseille 30/48
31 Illustrations numériques: Cas des montants de loi Γ(α, β) 29 Juin 2015, Marseille 31/48
32 Illustrations numériques: Cas des montants de loi Γ(α, β) 29 Juin 2015, Marseille 32/48
33 Illustrations numériques: Cas des montants de loi U(α, β) Intensité du processus de Poisson: λ = 1, Montant de sinistres de loi U(0, 100), Primes périodiques: c = 80, Coefficient d ajustement: γ M = 0.013, Ordre de troncature des polynômes: K=40. La probabilité de ruine ultime n est pas disponible explicitement. L approximation via l inversion de la transformée de Fourier sert de référence. 29 Juin 2015, Marseille 33/48
34 Illustrations numériques: Cas des montants de loi U(α, β) 29 Juin 2015, Marseille 34/48
35 Deux assureurs et un réassureur: Modèle collectif bivarié. Soit 2 portefeuilles de contrats d assurance non vie associés à la même branche d activité et appartenant à deux assureurs. Les risques sont modélisés conjointement via ( X 1 X 2 ) = ( N1 j=1 U 1j N2 j=1 U 2j N 1 et N 2 sont supposées indépendantes, ) + ( M j=1 V 1j V 2j Approximation polynomiale de la densité jointe du vecteur (X 1, X 2 ). ), 29 Juin 2015, Marseille 35/48
36 Un contrat de réassurance non-proportionnelle global Le réassureur propose à l assureur i un contrat de réassurance non proportionnelle de seuil de rétention b i et de portée c i, pour i {1, 2}. La loi jointe de (X 1, X 2 ) est utile Tarifer le contrat de réassurance à seuils de rétention, et portées fixées. L étude de l exposition au risque du réassureur modélisé par Z = min [ (X 1 b 1 ) +, c 1 ] + min [ (X2 b 2 ) +, c 2 ], où (.) + désigne la partie positive. Value-at-Risk de Z et marge de solvabilité. 29 Juin 2015, Marseille 36/48
37 Méthode d approximation polynomiale en dimension 2 Soit (X 1, X 2 ) un vecteur aléatoire de loi de probabilité P X1,X 2, de densité f X1,X 2. ν est la mesure de probabilité de référence, construite via le produit de deux mesures, ν(x 1, x 2 ) = ν 1 (x 1 ) ν 2 (x 2 ), f ν (x 1, x 2 ) = f ν1 (x 1 ) f ν2 (x 2 ). {Q ν i k } k N forme un système orthonormal de polynômes par rapport à ν i, pour i {1, 2}. {Q k,l } k,l N forme un système orthonormale de polynômes par rapport à ν, avec Q k,l (x 1, x 2 ) = Q ν 1 k (x 1)Q ν 2 l (x 2 ), k, l N. 29 Juin 2015, Marseille 37/48
38 Méthode d approximation polynomiale en dimension 2 La méthode d approximation polynomiale s étend naturellement en dimension supérieure: Valide sous réserve de vérifier une condition d intégrabilité. Borne exponentielle pour la densité jointe, et choix ad hoc des paramètres de la mesure de référence. Lien entre la transformée de Laplace multivariée, et la fonction génératrice des coefficients de la représentation polynomiale. 29 Juin 2015, Marseille 38/48
39 Approximation polynomiale pour le modèle collectif bivarié La distribution de probabilité du vecteur aléatoire ( ) ( N1 ) ( X 1 j=1 = U M 1j N2 + X 2 = ( W 1 W 2 j=1 U 2j ) + ( Y 1 Y 2 j=1 ), V 1j V 2j ) admet de nombreuses singularités. 29 Juin 2015, Marseille 39/48
40 Choix de la mesure de probabilité de référence La distribution de ( W 1 W 2 ) = ( N1 j=1 U 1j N2 j=1 U 2j ), est donnée par dp W1,W 2 (w 1, w 2 ) = f N1 (0)f N2 (0)δ 0,0 (w 1, w 2 ) + dg W1 (w 1 ) dg W2 (w 2 ) + f N1 (0)dG W2 (w 2 ) δ 0 (w 1 ) + f N2 (0)dG W1 (w 1 ) δ 0 (w 2 ). Approximation polynomiale univariée de G Wi, pour i = 1, 2. Mesure de référence gamma et polynômes de Laguerre généralisés. 29 Juin 2015, Marseille 40/48
41 Choix de la mesure de référence La distribution de ( Y 1 Y 2 ) = ( M j=1 V 1j V 2j ), est donnée par dp Y1,Y 2 (y 1, y 2 ) = f M (0)δ 0,0 (y 1, y 2 ) + dg Y1,Y 2 (y 1, y 2 ). dg Y1,Y 2 est une mesure de probabilité défaillante de support R 2 +. La mesure ν est définie par le produit de deux mesures gamma. ν i est une mesure Γ(m i, r i ), pour i = 1, 2. {Q ν i k } k N est une suite de polynômes de Laguerre généralisés, pour i = 1, Juin 2015, Marseille 41/48
42 Illustrations numériques: Fonction de survie de (Y 1, Y 2 ) M est de loi géométrique N B(1, 3/4), (V 1, V 2 ) est de loi exponentielle bivariée DBVE(ρ, µ 1, µ 2 ), ρ = 1 4, µ 1 = µ 2 = 1, L approximation polynomiale est comparée à des approximations de Monte-Carlo. La paramétrisation conduit à et m 1 = 1 1, m 2 =, r 1 = r 2 = 1. (1 p)µ 1 (1 p)µ 2 C(z 1, z 2 ) = z 1 z 2 (p 2 ρ(1 p) 2 p), a k,l = [ p 2 ρ(1 p) 2 p ] k δkl, k, l N. 29 Juin 2015, Marseille 42/48
43 Illustrations numériques: Fonction de survie de (Y 1, Y 2 ) 29 Juin 2015, Marseille 43/48
44 Illustrations numériques: Distribution de (X 1, X 2 ) N 1 et N 2 sont de loi géométrique N B(1, 3/4), {U 1j } j N et {U 2j } j N sont des suites de variables i.i.d. de loi Γ(1, 1), Densité disponible explicitement pour la distribution géométrique composée exponentielle. Approximation de la fonction de survie de (X 1, X 2 ). Seuils de rétention: c 1 = c 2 = 1, Portées: b 1 = b 2 = 4, Approximation de la fonction de survie de Z = min [ (X 1 b 1 ) +, c 1 ] + min [ (X2 b 2 ) +, c 2 ]. Les approximations polynomiales sont comparées aux approximations de Monte-Carlo. 29 Juin 2015, Marseille 44/48
45 Illustrations numériques: Fonction de survie de (X 1, X 2 ) 29 Juin 2015, Marseille 45/48
46 Illustrations numériques: Coût de la réassurance z Monte Carlo approximation Polynomial approximation Juin 2015, Marseille 46/48
47 Conclusions et Perspectives La méthode d approximation polynomiale est une méthode numérique efficace: Approximation de la probabilité de ruine ultime dans le modèle de ruine de Poisson composée, Approximation de la densité jointe dans un modèle collectif bivarié avec des applications intéressantes en réassurance. Perspectives Applications à l approximation de fonctions en actuariat et dans d autres domaines des probabilités appliquées. Applications statistiques lorsque des données sont disponibles, Obtention d un estimateur semi-paramétrique de la densité de probabilité. 29 Juin 2015, Marseille 47/48
48 Mes Publications Pierre-Olivier Goffard and Xavier Guerrault. Is it optimal to group policyholders by age, gender, and seniority for BEL computations based on model points? European Actuarial Journal, pages 1 16, Pierre-Olivier Goffard, S. Loisel, and D. Pommeret. Polynomial approximations for bivariate aggregate claim amount probability distributions. Working Paper, Pierre-Olivier Goffard, S. Loisel, and D. Pommeret. A polynomial expansion to approximate the ultimate ruin probability in the compound Poisson ruin model. Journal of Computational and Applied Mathematics, Juin 2015, Marseille 48/48
49 Méthode d approximation 1: l algorithme de Panjer Famille de Panjer N admet une distribution de Panjer si f N (k + 1) = ( a + b k ) f N (k) Et son algorithme récursif Si U admet une loi de probabilité discrète alors V et M aussi et G N (f U (0)) si k = 0 f M (k) = ( ) 1 k 1 af V (0) j=1 a + bj k f V (j)f M (k j) si k 1 29 Juin 2015, Marseille 48/48
50 Méthode d approximation 2: Inversion de Fourier Défnition de la transformée de Fourier Soit x g(x) avec x R, sa transformée de Fourier est donnée par L g (is) = + 0 e isx g(x)dx Et sa formule d inversion Si + L g(is) ds < +, et g fonction continue et bornée alors g(x) = 1 2π + e isx L g (is)ds 29 Juin 2015, Marseille 48/48
51 Méthode d approximation 2: Inversion de Fourier Soit { e ut ψ(u) Si u 0 g(u) = g( u) Si u < 0 alors puis ψ(u) = 2eua π + { ψ(u) = 2eua π h 1 2 R [L ψ(a)] + 0 cos(uy)r [L ψ (a + iy)] dy + k=1 cos(ukh)r [L ψ (a + ikh)] } 29 Juin 2015, Marseille 48/48
52 Méthode d approximation 3: Moments exponentiels Approximation de la fonction de répartition par une binomiale mélange Y une variable aléatoire continue, à valeur sur [0, 1] et de loi P Y Paramètre d une loi binomial mélange de fonction de répartition B n,py (y) = = = ny 1 k=0 ny k=0 ny 0 k=0 j=k ( ) n z k (1 z) n k dp Y (z) k ( ) n E [ Y k (1 Y ) n k] k n ( n j )( j k ) ( 1) j k E ( Y j) 29 Juin 2015, Marseille 48/48
53 Méthode d approximation 3: Moments exponentiels La méthode est basée sur le résultat de convregence suivant 1 ny ( ) n 1 z k (1 z) n k dp Y (z) 1 z<y dp Y (z), n + k 0 k=0 La fonction de répartition est approchée par F Y (y) ny n k=0 j=k ( n j )( j k 0 ) ( 1) j k E ( Y j). X variable aléatoire sur R +. Changement de variable Y = e cx avec 0 < c < 1, ne cx n ( )( ) n j F X (x) ( 1) j k L X ( jc). j k k=0 j=k 29 Juin 2015, Marseille 48/48
54 Comparaison: Monte Carlo VS Polynômes Exemple: Distribution de Poisson composé [P(2), Γ(3, 1)], Ordre de troncature: K=75 20 sec, simulations de Monte Carlo. 29 Juin 2015, Marseille 48/48
55 Comparaison: Monte Carlo VS Polynômes 29 Juin 2015, Marseille 48/48
56 Application Statistique: Définition de l estimateur Soit X 1,..., X n un échantillon de taille n. L approximation polynomiale de la densité admet la forme f K X (x) = f K X,ν(x)f ν (x) = K a k Q k (x)f ν (x). La formule d approximation se transforme en estimateur de la densité, avec f K X (x) = f K X,ν (x) f ν (x) = La procédure d estimation comprend, k=0 K â k Q k (x) f ν (x). k=0 1. une estimation paramétrique de la mesure de référence, 2. une estimation non paramétrique des coefficients de la représentation polynomiale. 29 Juin 2015, Marseille 48/48
57 Application Statistique: Définition de l estimateur L expression des coefficients de la représentation polynômiale est a n = E [Q k (X)], k N. Un estimateur sans biais de a k est donné par Z k = 1 n n Q k (X i ), k = 1,..., K, i=1 sa variance est notée σk,n 2 = V(Z k). les coefficients de la représentation polynomiale sont estimés par â k = w k Z k, où w = (w 1,..., w K ) est le modulateur. Permet une optimisation de l erreur moyenne quadratique intégrée. Dans la suite K = n. 29 Juin 2015, Marseille 48/48
58 Application Statistique: EQMI L Erreur Quadratique Moyenne Intégrée est donnée par 2 EQMI( f X,ν n, f X,ν) n = E [ fx,ν (x) f X,ν (x)] dx = + n (1 w k ) 2 ak 2 + k=1 n wk 2 σk,n. 2 k=1 + ak 2 k=n+1 L Erreur Quadratique Moyenne Intégrée modifiée est optimisée, EQMI( f n X,ν, f n X,ν) = n n wk 2 σk,n 2 + (1 w k ) 2 ak. 2 k=1 k=1 29 Juin 2015, Marseille 48/48
59 Application Statistique: EQMI Les quantités ak 2, et σ2 k,n sont estimés sans biais via σ 2 k,n = 1 n(n 1) n [Q k (X i ) Z k ] 2, k = 1,..., n, i=1 a 2 k = max ( Z 2 k σ 2 k,n, 0 ), k = 1,..., n. L Erreur Quadratique Moyenne Intégrée est estimée par ) ÊQMI ( f n X,ν, f X,ν n = n wk 2 σ n k,n 2 + (1 w k ) 2â2 k. k=1 k=1 29 Juin 2015, Marseille 48/48
60 Application Statistique: Modulateur SME La classe M SME désigne les modulateurs de Sélection de Modèle Emboités tels que w = (1,..., 1, 0,..., 0). Optimisation en calculant l EQMI w M SME. Illustration: Estimation de la densité d une distribution Inverse Gaussian, IG(λ, µ), de densité λ(x µ) 2 λ x f X (x) = 3 e 2µ 2 x 2π, x > 0, 0, Sinon. Temps de passage à un niveau fixé d un mouvement brownien avec drift, pour l exemple λ = 2, et µ = Juin 2015, Marseille 48/48
61 Application Statistique: Visualisation des données 29 Juin 2015, Marseille 48/48
62 Application Statistique: EQMI 29 Juin 2015, Marseille 48/48
63 Application Statistique: Obs=10 29 Juin 2015, Marseille 48/48
64 Application Statistique: Obs= Juin 2015, Marseille 48/48
65 Application Statistique: Obs= Juin 2015, Marseille 48/48
66 Application Statistique: Obs= Juin 2015, Marseille 48/48
67 Application Statistique: Distribution Composé Echantillon de charges totales: (X 1,..., X n ), Echantillon de nombre de sinistres: (N 1,..., N n ), Echantillon de montants de sinistres: (U 1,..., U N1,..., U N N n ). La taille de l échantillon pour les charges totales, et les nombres de sinistres est potentiellement faible. Beaucoup d observations sont disponibles pour les montants de sinistres. 29 Juin 2015, Marseille 48/48
68 Application Statistique: Distribution Composé Full Parametric Tests d adéquation pour calibrer la loi des montants et des fréquences, Inférence statistiques de paramètres, Méthode d approximation. 29 Juin 2015, Marseille 48/48
69 Application Statistique: Distribution Composé Full NonParametric Inférence des paramètres de la mesure de référence, Sur la base de quelles observations? Coefficients de la représentation polynomiale estimés à l aide de (X 1,..., X n ). 29 Juin 2015, Marseille 48/48
70 Application Statistique: Distribution Composé Semi-Parametric Calibration d une loi pour la fréquence des sinistres. Inférence des paramètres de la loi pour la fréquence, Utilisation de (N 1,..., N n). Coefficients de la représentation polynomiale estimés à l aide de (U 1,..., U N1,..., U N N n ), et d une relation de récurrence entre les moments de X, N, et U. 29 Juin 2015, Marseille 48/48
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 détailModélisation 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 détailSimulation 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 détailRésumé 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 détailMesure 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailContents. 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCONCOURS 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailLe 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailProcessus 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 détailIntroduction 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailTSTI 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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailTABLE 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailProbabilités 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailMoments 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 détailModèles 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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailPrincipe 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailSOMMAIRE INTRODUCTION... 3
SOMMAIRE INTRODUCTION... 3 I - PRESENTATION DE L ENQUETE... 5 A - OBJECTIFS DE L ENQUETE...5 B - CHAMP DE L ENQUETE...5 C - DETERMINATION DES «GROUPES» DE SOCIETES...6 II - VUE D ENSEMBLE DES CESSIONS...
Plus en détaildes compagnies d assurance : évolutions récentes
Les Contrôle normes IFRS de la solvabilité en assurance des compagnies d assurance : évolutions récentes - DIAF Hanoi, le 28 février 2005 Pierre THEROND Consultant JWA - Actuaires & chargé de cours à l
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailTARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé
TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé Plan de l intervention 1 2 3 Généralités sur le fonctionnement de l assurance
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailrv de septembre - 09/09/2008 - XC
rv de septembre - 09/09/2008 - XC Rendez-vous de septembre 9 septembre 2008 - Monte Carlo LE TRANSFERT DE RISQUES DANS SOLVABILITÉ II Xavier Cognat Fédération Française des Sociétés d Assurances rv de
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailMémoire 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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailTESTS 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 détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détail9:HSMHLH=]Y]ZYU: ISBN 2-7178-4854-1 DE L ASSURANCE NON-VIE MATHÉMATIQUES. Michel DENUIT Arthur CHARPENTIER
DENUIT_D1544_couv 07/05/04 9:44 Page 1 MATHÉMATIQUES DE L ASSURANCE NON-VIE Michel DENUIT Arthur CHARPENTIER > ApogeeI Normalizer Couleur COLLECTION «ÉCONOMIE ET STATISTIQUES AVANCÉES» esa esa COLLECTION
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailGestion 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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailTable des matières: Guidelines Fonds de Pensions
Table des matières: Guidelines Fonds de Pensions TABLE DES MATIERES... 1 INTRODUCTION... 2 1 FINANCEMENT ET FINANCEMENT MINIMUM... 3 1.1 FINANCEMENT... 3 1.2 FINANCEMENT DE PLAN... 3 1.3 FINANCEMENT MÉTHODE
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailFINANCEMENT OPTIMAL DE LA SOLVABILITE D UN ASSUREUR
FINANCEMENT OPTIMAL DE LA SOLVABILITE D UN ASSUREUR Guillaume PLANTIN GREMAQ Université Toulouse I 1 La détermination d un plan de réassurance optimal est une des applications les plus classiques de la
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détail