Le provisionnement en assurance non-vie prise en compte de la dépendance
|
|
- Marie-Thérèse Bernard
- il y a 8 ans
- Total affichages :
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
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 détailRisque 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 détailChapitre 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 détailEstimation 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 détailUn 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 détailIntroduction 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 détailDonnées 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 détailStatistique 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 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 détailUne 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 détailExemples 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 détailModèles 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 détailACT3284 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 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 détailMODELE 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 détailModèle 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 détailSTATISTIQUES. 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 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 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 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 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 détailLe 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 détailStatistiques 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 détailLire ; 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 détailAnalyses 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 détailProduction 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 détailEtude 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 détailAnalyse 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 détailLA 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 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 détailChapitre 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 détailDensité 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 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 détailDe 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 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 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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailÉtude des flux d individus et des modalités de recrutement chez Formica rufa
Étude des flux d individus et des modalités de recrutement chez Formica rufa Bruno Labelle Théophile Olivier Karl Lesiourd Charles Thevenin 07 Avril 2012 1 Sommaire Remerciements I) Introduction p3 Intérêt
Plus en détailANTISELECTION ET CHOIX D'ASSURANCE : LE CAS DU VOL EN HABITATION UNE APPROCHE DE LA MESURE DU PHENOMENE
ANTISELECTION ET CHOIX D'ASSURANCE : LE CAS DU VOL EN HABITATION UNE APPROCHE DE LA MESURE DU PHENOMENE Yannick MACÉ Statisticien-Economiste Responsable du Secteur Analyses Techniques, Groupama (C.C.A.M.A.)
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
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 détailCNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité
1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :
Plus en détailImputation du salaire d ego dans TeO
Imputation du salaire d ego dans TeO Objet de la note : linéariser la réponse en tranche du salaire, et imputer le salaire en cas de non réponse Champ et principe de la méthode Les individus qui se sont
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailCompte rendu de l examen par le BSIF des coefficients du risque d assurance
Compte rendu de l examen par le BSIF des coefficients du risque d assurance Le présent document précise encore davantage les données et la méthodologie utilisées par le BSIF pour calculer les marges pour
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailGestion du niveau de la franchise d'un contrat avec bonus-malus
Gestion du niveau de la franchise d'un contrat avec bonus-malus Pierre Thérond Stéphane Bonche Résumé Réduire la franchise d'un contrat d'assurance permet d'améliorer la qualité du contrat du point de
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 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 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 détailStatistiques. Rappels de cours et travaux dirigés. Master 1 Biologie et technologie du végétal. Année 2010-2011
Master 1 Biologie et technologie du végétal Année 010-011 Statistiques Rappels de cours et travaux dirigés (Seul ce document sera autorisé en examen) auteur : Jean-Marc Labatte jean-marc.labatte@univ-angers.fr
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
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 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 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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailAnalyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin
Analyse discriminante et régression logistique: application au cas de l innovation pour les entreprises du Canton du Tessin Sandro Petrillo Université de Neuchâtel - Diplôme Postgrade en Statistique Projet
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailTD 3 : suites réelles : application économique et nancière
Mathématiques Appliquées Cours-TD : K. Abdi, M. Huaulmé, B. de Loynes et S. Pommier Université de Rennes 1 - L1 AES - 009-010 TD 3 : suites réelles : application économique et nancière Exercice 1 Calculer
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 détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
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 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
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 détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
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 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 détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
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 détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
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 détail