Provisionnement face au risque de défaut des emprunteurs

Dimension: px
Commencer à balayer dès la page:

Download "Provisionnement face au risque de défaut des emprunteurs"

Transcription

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

2 Sommaire Risque de défaut des emprunteurs 1 Risque de défaut des emprunteurs 2 3 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

3 Contexte Risque de défaut des emprunteurs Garantie considérée Banque Une assurance doit indemniser une banque suite aux défauts de paiement de ses emprunteurs, Emprunteur 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

4 Contexte Risque de défaut des emprunteurs Garantie considérée Banque Emprunteur Assurance Une assurance doit indemniser une banque suite aux défauts de paiement de ses emprunteurs, En cas de défaut de paiement de l emprunteur, la banque a la possibilité de récupérer et de revendre le bien immobilier financé par le prêt (= recours). 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

5 Contexte Risque de défaut des emprunteurs Garantie considérée Banque Emprunteur Assurance Une assurance doit indemniser une banque suite aux défauts de paiement de ses emprunteurs, En cas de défaut de paiement de l emprunteur, la banque a la possibilité de récupérer et de revendre le bien immobilier financé par le prêt (= recours). Utilisation de la garantie : Souscription 5 ans Défaut = Sinistre 25 ans Fin du prêt Montant du sinistre = Montant dû par l emprunteur - Montant du bien 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

6 Objectif pour la compagnie d assurance Objectif La compagnie d assurance doit évaluer à une date t 0 le montant des sinistres potentiels à venir (=provision) provenant des emprunteurs : 1 Dont le prêt a commencé le mois 0, 2 Et qui n ont pas eu de défaut avant la date t 0. Souscriptions 0 Date d analyse Sinistres potentiels t 0 Estimation de la provision D 2/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

7 Objectif pour la compagnie d assurance Objectif La compagnie d assurance doit évaluer à une date t 0 le montant des sinistres potentiels à venir (=provision) provenant des emprunteurs : 1 Dont le prêt a commencé le mois 0, 2 Et qui n ont pas eu de défaut avant la date t 0. Souscriptions 0 Date d analyse Sinistres potentiels t 0 Estimation de la provision D Modèle individuel : Provision = Sinistre 1 + Sinistre /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

8 Bibliographie Risque de défaut des emprunteurs Méthodes traditionnellement utilisées en assurance non vie : 1 Méthode collective déterministe / stochastique du type Chain Ladder / Mack : Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates, T.Mack (1993). C 0,0 C 0,1.. C 0,t0 C 1,0 C 1,1.... C 1,t0 1 C t0,0 /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

9 Bibliographie Risque de défaut des emprunteurs Méthodes traditionnellement utilisées en assurance non vie : 1 Méthode collective déterministe / stochastique du type Chain Ladder / Mack : Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates, T.Mack (1993). C 0,0 C 0,1.. C 0,t0 C 0,0 C 0,1.. C 0,t0 C 1,0 C 1,1. C 1,t C t0,0 C 1,0 C 1,1.. C 1,t0... C t0,0 C t0,1.. C t0,t 0 3/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

10 Bibliographie Risque de défaut des emprunteurs Méthodes traditionnellement utilisées en assurance non vie : 1 Méthode collective déterministe / stochastique du type Chain Ladder / Mack : Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates, T.Mack (1993). C 0,0 C 0,1.. C 0,t0 C 0,0 C 0,1.. C 0,t0 C 1,0 C 1,1. C 1,t C t0,0 C 1,0 C 1,1.. C 1,t0... C t0,0 C t0,1.. C t0,t 0 2 Méthode individuelle issus de la théorie de la ruine (Cramer - Lundberg) : Stochastic processes for insurance and finance, Rolski et al. (1999). N t S j, j=1 0 < t < +, où (N t) t>0 est un processus de Poisson homogène, les v.a. S j, représentant le montant du j-ème sinistre, sont positives, i.i.d et indépendantes de (N t) t>0. 3/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

11 Sommaire Risque de défaut des emprunteurs 1 Risque de défaut des emprunteurs 2 3 3/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

12 Modélisation du montant d un sinistre Notons : M j (resp. D j ) le montant (resp. la durée) du prêt de l emprunteur j, T j la date de fin du prêt de l emprunteur j, 4/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

13 Modélisation du montant d un sinistre Notons : M j (resp. D j ) le montant (resp. la durée) du prêt de l emprunteur j, T j la date de fin du prêt de l emprunteur j, φ(t j, D j, M j ) le montant dû par l emprunteur j à la date T j, ψ(m j, R T j ) le montant de la revente du bien à la date T j, où R T j est la variation des prix de l immobilier entre les dates 0 et T j. 4/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

14 Modélisation du montant d un sinistre Notons : M j (resp. D j ) le montant (resp. la durée) du prêt de l emprunteur j, T j la date de fin du prêt de l emprunteur j, φ(t j, D j, M j ) le montant dû par l emprunteur j à la date T j, ψ(m j, R T j ) le montant de la revente du bien à la date T j, où R T j est la variation des prix de l immobilier entre les dates 0 et T j. Modélisation du montant d un sinistre Le montant du sinistre pour la compagnie d assurance est modélisé par : { 0, si T j = D j S j := max [ φ(t j, D j, M j ) ψ(m j, R T j ), 0 ], si T j < D j. (1) S j dépend de T j, D j, M j et R T j. 4/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

15 Modélisation de la provision Modèle - Provision pour le mois 0 La provision pour les prêts souscrits à la date 0, calculée à la date t 0, est notée P t0 et définie par : P t0 := 1 {t0 < T j < D j ; D j D} Sj, (2) j 1 [ où S j := max φ(t j, D j, M j ) ψ(m j, R T j ); 0 ] si T j < D j. S j et S j ne sont pas indépendant. 5/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

16 Sommaire Risque de défaut des emprunteurs 1 Risque de défaut des emprunteurs 2 3 5/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

17 Hypothèses - 1 Nuage de points (Durée du prêt, Date de fin du prêt) t t=d D+ 0 + D d { T j D j, D j D. Nous supposons que (T j, D j ) j 1 est un processus ponctuel de Poisson d intensité Λ. 6/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

18 Hypothèses - 1 Nuage de points (Durée du prêt, Date de fin du prêt) t t=d D+ 0 B A + D d { T j D j, D j D. Nous supposons que (T j, D j ) j 1 est un processus ponctuel de Poisson d intensité Λ : Λ = λ 1 Leb B + λ 2 Leb A, où λ 1 et λ 2 sont deux paramètres réels et strictement positifs, Leb B (resp. Leb A ) est la restriction de la mesure de Lebesgue sur R (resp. sur R 2 ) à l ensemble B (resp. A). 6/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

19 Hypothèses - 2 Hypothèses Nous supposons que : 1 (R t) t 0 est le mouvement Brownien géométrique de paramètres µ et σ tel que R 0 = 1, i.e. : R t = exp ( σb t + µt ), où (B t) t 0 est un mouvement Brownien standard. 7/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

20 Hypothèses - 2 Hypothèses Nous supposons que : 1 (R t) t 0 est le mouvement Brownien géométrique de paramètres µ et σ tel que R 0 = 1, i.e. : R t = exp ( σb t + µt ), où (B t) t 0 est un mouvement Brownien standard. 2 (T j, D j ) j 1, (M j ) j 1 et (R t) t 0 sont indépendants, 7/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

21 Hypothèses - 2 Hypothèses Nous supposons que : 1 (R t) t 0 est le mouvement Brownien géométrique de paramètres µ et σ tel que R 0 = 1, i.e. : R t = exp ( σb t + µt ), où (B t) t 0 est un mouvement Brownien standard. 2 (T j, D j ) j 1, (M j ) j 1 et (R t) t 0 sont indépendants, ( 3 Les variables M j) sont i.i.d.. j 1 7/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

22 Indicateur de risques - 1 Espérance / Variance 1 Espérance : ] [ ] E [P t0 = E M 1 1 f (t, x, θ)dtdx, (3) {t0 < t x; x D} (R +) 2 où f est une fonction déterministe dépendante de t, x et θ. Ceci est un résultat classique des processus de Poisson composés. /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

23 Indicateur de risques - 1 Espérance / Variance 1 Espérance : ] [ ] E [P t0 = E M 1 1 f (t, x, θ)dtdx, (3) {t0 < t x; x D} (R +) 2 où f est une fonction déterministe dépendante de t, x et θ. Ceci est un résultat classique des processus de Poisson composés. 2 Variance : formule explicite pour la variance de la provision mais différente de celle des processus de Poisson composés car nous devons tenir compte de plusieurs dépendances. 8/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

24 Indicateur de risques - 1 Espérance / Variance 1 Espérance : ] [ ] E [P t0 = E M 1 1 f (t, x, θ)dtdx, (3) {t0 < t x; x D} (R +) 2 où f est une fonction déterministe dépendante de t, x et θ. Ceci est un résultat classique des processus de Poisson composés. 2 Variance : formule explicite pour la variance de la provision mais différente de celle des processus de Poisson composés car nous devons tenir compte de plusieurs dépendances. Formule programmable : lorsque les paramètres, θ, prennent des valeurs fixes il est possible de calculer numériquement l espérance et la variance de la provision avec Matlab ou R par exemple. 8/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

25 Indicateur de risques - 2 Notons N t0 le nombre de sinistres sur l intervalle de temps ]t 0, D]. 1 Rappelons que : ] [ L [N t0 = P Λ(α) ], où α = ( D t 0 ) La loi conditionnelle de P t0 sachant le nombre de sinistres N t0 est donnée par : [ ] ( )] L P t0 N t0 = n = L [f n (T j ) 1 j n, (D j ) 1 j n, (M j ) 1 j n, (G j ) 1 j n, θ, (4) où f n est une fonction explicite et (G j ) 1 j n est une suite de gaussienne i.d.d.. 9/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

26 Indicateur de risques - 2 Notons N t0 le nombre de sinistres sur l intervalle de temps ]t 0, D]. 1 Rappelons que : ] [ L [N t0 = P Λ(α) ], où α = ( D t 0 ) La loi conditionnelle de P t0 sachant le nombre de sinistres N t0 est donnée par : [ ] ( )] L P t0 N t0 = n = L [f n (T j ) 1 j n, (D j ) 1 j n, (M j ) 1 j n, (G j ) 1 j n, θ, (4) où f n est une fonction explicite et (G j ) 1 j n est une suite de gaussienne i.d.d.. Formule programmable : lorsque les paramètres, θ, prennent des valeurs fixes il est possible de programmer un algorithme de simulation de la provision et d approximer ses quantiles (réforme européenne Solvabilité 2). 9/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

27 Indicateur de risques - 3 Notons qu en réalité : P t0 = P t0 ( D). (5) 0/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

28 Indicateur de risques - 3 Notons qu en réalité : P t0 = P t0 ( D). (5) Convergence en loi de la provision Supposons que µ < 0. Il vient alors que la provision converge en loi vers une gaussienne : P t0 ( D) ( D) 2 C 1 (θ) L G, (6) D C 2 (θ) D + où G est une gaussienne centrée, réduite et C 1 (θ), C 2 (θ) sont des constantes réelles. Formule programmable : lorsque les paramètres, θ, prennent des valeurs fixes il est possible d approximer les quantiles de la provision. 0/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

29 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

30 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1 Etape 1 : P t0 ( D, (rt) t 0 ) = D Alors : ɛ k + X 1( D, (rt) t 0 ), k=1 D Corollaire de Lindeberg : [ ɛ E k 2+δ] = o k=1 P t0 ( D, (r t) t 0 ) X 1 ( D, (r t) t 0 ) X 2( D, (rt) t 0 ) ([ D k=1 V (ɛ k ) ] 2+δ ) L G. D +. 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

31 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1 Etape 1 : P t0 ( D, (rt) t 0 ) = D Alors : ɛ k + X 1( D, (rt) t 0 ), k=1 D Corollaire de Lindeberg : [ ɛ E k 2+δ] = o k=1 P t0 ( D, (r t) t 0 ) X 1 ( D, (r t) t 0 ) X 2( D, (rt) t 0 ) ([ D k=1 V (ɛ k ) ] 2+δ ) L G. D +. 2 Etape 2 : µ < 0 X k( ) D, (R t) t 0 L ( D) C 2 k (θ), k = 1, 2. D + 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

32 Idée de preuve Nous noterons : X k( ) [ ] [ k D, (Rt) t 0 := E (M 1 ) k S(t, d, R t)] dλ(t, d), k = 1, 2. A( D) 1 Etape 1 : P t0 ( D, (rt) t 0 ) = D Alors : ɛ k + X 1( D, (rt) t 0 ), k=1 D Corollaire de Lindeberg : [ ɛ E k 2+δ] = o k=1 P t0 ( D, (r t) t 0 ) X 1 ( D, (r t) t 0 ) X 2( D, (rt) t 0 ) ([ D k=1 V (ɛ k ) ] 2+δ ) L G. D +. 2 Etape 2 : µ < 0 X k( ) D, (R t) t 0 L ( D) C 2 k (θ), k = 1, 2. D /12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

33 Estimation et perspective Estimation : Un grand nombre de données pour estimer : les montants empruntés, le processus de fluctuation des prix de l immobilier : µ et σ, les paramètres λ 1 et λ 2 présents dans Λ. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

34 Estimation et perspective Estimation : Un grand nombre de données pour estimer : les montants empruntés, le processus de fluctuation des prix de l immobilier : µ et σ, les paramètres λ 1 et λ 2 présents dans Λ. = Données publiques et privées. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

35 Estimation et perspective Estimation : Un grand nombre de données pour estimer : les montants empruntés, le processus de fluctuation des prix de l immobilier : µ et σ, les paramètres λ 1 et λ 2 présents dans Λ. = Données publiques et privées. Perspective : Problème lorsque l horizon d analyse est restreinte à un an (Solvabilité 2), Couverture de la provision de sinistres. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

36 Références Risque de défaut des emprunteurs T. Mack. Distribution-free Calculation of the Standard Error of Chain Ladder Reserve Estimates. Dans : Astin Bulletin (1993) M.V. Wüthrich et M. Merz. Stochastic Claims Reserving Methods in Insurance. Dans : The Wiley Finance Series (2008) T. Rolski et al. Stochastic processes for insurance and finance. Dans : Wiley Series in Probability and Statistics (1999) M. Pigeon, K. Antonio et M. Denuit. Individual loss reserving with the multivariate skew normal distribution. Dans : (2012) C.R. Larsen. An individual claims reserving model. Dans : Astin Bulletin (2007) E. Ohlsson et J. Lauzeningks. The one-year non-life insurance risk. Dans : Insurance : Mathematics and Economics (2009) P. Vallois et G. Nichil. Provisioning against borrowers default risk. Dans : Soumis à Insurance : mathematics and economics (2014) 2/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

37 Merci 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

38 1 R t représente la variation de la valeur du bien financé due au cours de l immobilier. Nous pourrions penser que, par exemple, une forte variation de la valeur du bien indiquerait un effondrement du marché de l immobilier. Ce qui pourrait signifier, ou traduire, un risque plus important de déclaration des sinistres : un effondrement du marché de l immobilier pourrait être synonyme d une crise plus large touchant toute la population (crise systémique). Nous supposerons qu un tel lien, difficilement mesurable, n existe pas et donc que le processus ponctuel de Poisson est indépendant de la variation de l immobilier. 2 Nous pourrions également penser que le cours de l immobilier varie de façon différente selon la valeur des biens considérés. Par exemple il pourrait exister : Une forte variation de l immobilier pour les biens à faible valeur, Et une faible variation de l immobilier pour les biens à forte valeur. Cette différence de variation est significative sur une gamme de biens très large. Chez l assureur en question le montant des biens est relativement concentré. 3 D autre part le montant emprunté ne joue aucun rôle sur la déclaration d un sinistre : un sinistre est causé par un changement dans la situation personnel d un emprunteur et non dans les caractéristiques du prêt. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

39 Mesure aléatoire de Poisson Propriétés Rappelons deux propriétés des mesures aléatoires de Poisson : 1 Pour tout borélien A tel que Λ(A) <, N(A) suit une loi de Poisson de paramètres Λ(A), i.e. : P [ ] Λ(A) Λ(A)k N(A) = k = e k!, k 0. 2 Pour tout A 1,..., A n ensemble deux à deux disjoints, les v.a. indépendantes. ( ) N(A k ) sont 1 k n 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

40 Temps continu Hypothèse L unité de temps est le mois, i.e. T j prend des valeurs discrètes : T j = 0, 1, 2,.... Dans la pratique un défaut peut avoir lieu à nimporte quel temps T j R + tel que 0 T j < D j. Nous supposerons que le temps est continu de la manière suivante : si un défaut a lieu à la date T j + dt [T j, T j + 1[, alors nous supposerons qu il a lieu à la date T j. Ainsi nous noterons : { S 1,j t = S 1,j [t], t 0, S 2,j t = S 2,j [t], t 0, où [t] est la partie entière de t. Donc les processus (S 1,i t ) t 0 et (S 2,i t ) t 0 sont constants par morceaux. 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

41 Algorithme de simulation Simulation Le précédent théorème nous permet de simuler la provision avec l algorithme suivant : 1 Simuler une v.a. N P( λ Lebesgue(At0 )) : n. 2 Simuler n v.a. (T i, D i )i.i.d U(A t0 ) : (t i, d i ) 1 i n. 3 Simuler n v.a. G i i.i.d. N (0, 1) : (g i ) 1 i n. 4 Calculer : p 1 := i=1 où rt [ σ i := exp ] tg i + µt. n i m i g {t i, d i, r 1t1 rt l l t l 1 }, 5 Exécuter les étapes (1) (5) k fois, nous obtenons un échantillon (p 1,..., p k ). On peut déduire de l échantillon (p 1,..., p k ) différents résultats tel que : moyenne, variance et quantile. l=2 12/12 Geoffrey Nichil et Pierre Vallois Provisionnement face au risque de défaut des emprunteurs

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Le modèle de Black et Scholes

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

Plus en détail

Probabilités III Introduction à l évaluation d options

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

Plus en détail

Processus aléatoires avec application en finance

Processus 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 détail

Mesure et gestion des risques d assurance

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

Plus en détail

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

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

Plus en détail

Tests 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 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 détail

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

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

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

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

Plus en détail

Résumé des communications des Intervenants

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

Plus en détail

Texte Agrégation limitée par diffusion interne

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

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

MATHS 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 détail

Équation de Langevin avec petites perturbations browniennes ou

Équation de Langevin avec petites perturbations browniennes ou Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

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

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

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

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

Plus en détail

Tests 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 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 détail

FIMA, 7 juillet 2005

FIMA, 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

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

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

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire 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 détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. 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 détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7 Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

4. Martingales à temps discret

4. Martingales à temps discret Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les

Plus en détail

4 Distributions particulières de probabilités

4 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 détail

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

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II

Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II Construction d un algorithme d accélération de la méthode des simulations dans les simulations pour le calcul du capital économique Solvabilité II Laurent Devineau, Stéphane Loisel To cite this version:

Plus en détail

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

Chapitre 10. Risque et assurance. Arthur Charpentier. 10.1 La problématique du provisionnment en assurance Chapitre 10 Risque et assurance Arthur Charpentier Dans ce chapitre, nous allons présenter quelques modèles utilisés par les assureurs afin de quantifier les risques pris. Dans les premiers chapitres,

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle 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 détail

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

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

Plus en détail

Mémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12

ACTUARIAT 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 détail

TABLE DES MATIERES. C Exercices complémentaires 42

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

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 7 : Intégration sur un intervalle quelconque Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Cours 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 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 détail

des compagnies d assurance : évolutions récentes

des 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 détail

Les mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

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

Plus en détail

Image d un intervalle par une fonction continue

Image 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 détail

MÉTHODE DE MONTE CARLO.

MÉTHODE 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 détail

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

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

Plus en détail

Méthodes de Simulation

Méthodes 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 détail

Master 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. 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 détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging 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 détail

Pierre Thérond pierre@therond.fr. Année universitaire 2013-2014

Pierre Thérond pierre@therond.fr. Année universitaire 2013-2014 http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale

Plus en détail

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

Plus en détail

De la mesure à l analyse des risques

De la mesure à l analyse des risques De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I

Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques

Plus en détail

de calibration Master 2: Calibration de modèles: présentation et simulation d

de 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 détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

GESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1

GESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1 GESTION DES RISQUES D ENTREPRISE : Qualité des données, levier de pilotage stratégique 1 S. Wittmer 2, V. Ranaivozanany 3, A. Olympio 4 CNP Assurances sophie.wittmer@cnp.fr, voahirana.ranaivozanany@cnp.fr,

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

MODELES DE DUREE DE VIE

MODELES 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 détail

Simulation de variables aléatoires

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

Plus en détail

Solvabilité 2, pour une meilleure protection des assurés européens

Solvabilité 2, pour une meilleure protection des assurés européens Solvabilité 2, pour une meilleure protection des assurés européens Solvabilité II, contrats responsables, normes IFRS, fiscalité : conséquences de ces normes sur le devenir des opérateurs et des couvertures

Plus en détail

Facteurs à considérer en matière de quantification de la variabilité du passif des polices d assurances IARD

Facteurs à considérer en matière de quantification de la variabilité du passif des polices d assurances IARD Document de recherche Facteurs à considérer en matière de quantification de la variabilité du passif des polices d assurances IARD Commission sur la gestion des risques et le capital requis Novembre 2012

Plus en détail

LISTE D EXERCICES 2 (à la maison)

LISTE D EXERCICES 2 (à la maison) Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Solvabilité II Les impacts sur la tarification et l offre produit

Solvabilité II Les impacts sur la tarification et l offre produit Solvabilité II Les impacts sur la tarification et l offre produit Colloque du CNAM 6 octobre 2011 Intervenants OPTIMIND Gildas Robert actuaire ERM, senior manager AGENDA Introduction Partie 1 Mesures de

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N

ENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement

Plus en détail

Finance, Navier-Stokes, et la calibration

Finance, Navier-Stokes, et la calibration Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck

Plus en détail

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

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

Plus en détail

Marges pour écarts défavorables en assurances IARD

Marges pour écarts défavorables en assurances IARD Note éducative Marges pour écarts défavorables en assurances IARD Commission des rapports financiers des compagnies d assurances IARD Décembre 2009 Document 209138 This document is available in English

Plus en détail

MA6.06 : Mesure et Probabilités

MA6.06 : Mesure et Probabilités Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................

Plus en détail

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

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

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

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-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 détail

Chp. 4. Minimisation d une fonction d une variable

Chp. 4. Minimisation d une fonction d une variable Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie

Plus en détail

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,

Plus en détail

QUANTIFICATION DU RISQUE

QUANTIFICATION DU RISQUE QUANTIFICATION DU RISQUE Journées d études de Deauville, le 16 septembre 2011 OPÉRATIONNEL 1.Solvabilité 2 et le Risque Opérationnel 2.La gestion du Risque Opérationnel 3.Les méthodes de quantification

Plus en détail

Approche 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 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 détail

Modèle GARCH Application à la prévision de la volatilité

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

Plus en détail

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

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

Plus en détail

Incertitude financière, mesures de risque et préférences robustes

Incertitude financière, mesures de risque et préférences robustes Incertitude financière, mesures de risque et préférences robustes Hans Föllmer Institut für Mathematik Humboldt-Universität zu Berlin Unter den Linden 6 10099 Berlin, Allemagne 1 Le rôle des mathématiques

Plus en détail

L he b d o Finan c e de la

L he b d o Finan c e de la - DU 24 Novembre AU 1 Décembre 2007 - Numéro 17 Dossier : Dossier : LES CO U R S Simulation d un prêt immobilier Titrisation p1-3 p-3-4 p-5-7 L he b d o Finan c e de la M A C S Ce bulletin d informations

Plus en détail

Moments des variables aléatoires réelles

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

Plus en détail

Le métier d actuaire IARD

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

Plus en détail

9:HSMHLH=]Y]ZYU: ISBN 2-7178-4854-1 DE L ASSURANCE NON-VIE MATHÉMATIQUES. Michel DENUIT Arthur CHARPENTIER

9: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 détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061

Value 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 détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

Leçon 01 Exercices d'entraînement

Leçon 01 Exercices d'entraînement Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =

Plus en détail

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision

Tests 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 détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

Introduction 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 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 détail

Cours de Tests paramétriques

Cours de Tests paramétriques Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME 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 détail

3 Approximation de solutions d équations

3 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 détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

Construction de bases biométriques pour l assurance dépendance. SCOR inform - Novembre 2012

Construction de bases biométriques pour l assurance dépendance. SCOR inform - Novembre 2012 Construction de bases biométriques pour l assurance dépendance SCOR inform - Novembre 2012 Construction de bases biométriques pour l assurance dépendance Auteur Laure de Montesquieu Responsable Centre

Plus en détail

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

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

Plus en détail