Actuariat

Introduction

Idris KHARROUBI
.
Table des matières

1 Notion et principes de bases de l’assurance 5

1.1 Premières caractéristiques de l’assurance . . . . . . . . . . . . . . 5
1.1.1 Bref historique de l’assurance . . . . . . . . . . . . . . . 5
1.1.2 Temps et assurance . . . . . . . . . . . . . . . . . . . . . 6
1.1.3 Premières formalisations en assurance . . . . . . . . . . . 8
1.1.4 Exemples d’assurances et de tarifs . . . . . . . . . . . . . 9
1.2 Contraintes en assurance . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 Mutualisation et segmentation des risques . . . . . . . . . 11
1.2.2 Temps discret et continu . . . . . . . . . . . . . . . . . . 11
1.2.3 Assurance vie et assurance non-vie . . . . . . . . . . . . 12
1.2.4 Primes d’assurance . . . . . . . . . . . . . . . . . . . . . 12

2 Modélisation actuarielle 14
2.1 Modèles en temps discret . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Modèle individuel . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Modèle collectif . . . . . . . . . . . . . . . . . . . . . . 15
2.1.3 Critère de ruine . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Modèles collectif en temps continu . . . . . . . . . . . . . . . . . 18

3 Fonction génératrice des moments et lien entre modèles individuels et

collectifs 19
3.1 Moments et fonction génératrice des moments . . . . . . . . . . . 19
3.1.1 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.2 Fonction génératrice des moments . . . . . . . . . . . . . 21

2
 3.1.3 Fonction génératrice d’une distribution sur N . . . . . . . 22
3.2 Cas des modèles individuel et collectif . . . . . . . . . . . . . . . 22
3.3 Relation entre le modèle individuel et collectif . . . . . . . . . . . 23

4 Coût des sinistres 25

4.1 Lois normales et gammas . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Transformation de loi . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3 Choix d’un modèle paramétrique pour la loi du coût . . . . . . . . 32
4.4 Mutualisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4.1 Modèle normal et mutualisation des risques . . . . . . . . 33
4.4.2 Modèle de versement d’un capital décès . . . . . . . . . . 35

5 Nombre de sinistres 37
5.1 Loi binomiale, de Poisson et binomiale négative . . . . . . . . . . 37
5.2 Loi multinomiale et test d’adéquation du χ2 . . . . . . . . . . . . 41
5.3 Mélange de lois de Poisson . . . . . . . . . . . . . . . . . . . . . 42
5.4 Nombres de sinistres et mélange de loi de Poisson . . . . . . . . . 43
5.5 Modèle des fréquences liées de Delaporte . . . . . . . . . . . . . 44

6 Lois composées et modèle collectif 46

6.1 Définition d’une loi composée, loi d’un modèle collectif . . . . . 46
6.2 Densité, moments et fonction génératrice d’une loi composée . . . 47
6.3 Loi de type Poisson composé . . . . . . . . . . . . . . . . . . . . 48

7 Approximation de la probabilité de ruine dans le modèle collectif 51

7.1 Approximation de la probabilité de ruine . . . . . . . . . . . . . . 51
7.2 Développement d’Edgeworth et amélioration de l’approximation
normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
7.3 Algorithme de Panjer . . . . . . . . . . . . . . . . . . . . . . . . 55

8 Crédibilité 57
8.1 Hétérogénéité des risques . . . . . . . . . . . . . . . . . . . . . . 57
8.2 Modèle de crédibilité de Buhlmann . . . . . . . . . . . . . . . . . 57

3
 8.3 Estimation des paramètres de structure . . . . . . . . . . . . . . . 59

9 Introduction à l’assurance vie 61

9.1 Définition et premiers résultats . . . . . . . . . . . . . . . . . . . 62
9.2 Assurance en cas de vie . . . . . . . . . . . . . . . . . . . . . . . 65
9.2.1 Annuités payables d’avance sur la vie entière . . . . . . . 66
9.2.2 Annuités à terme échu sur la vie entière . . . . . . . . . . 67
9.3 Assurance en cas de décès . . . . . . . . . . . . . . . . . . . . . 67
9.4 Provisions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4
Chapitre 1

Notion et principes de bases de

l’assurance

1.1 Premières caractéristiques de l’assurance

1.1.1 Bref historique de l’assurance

La notion d’assurance semble très ancienne puisqu’on en retrouve des traces
dès la plus haute Antiquité, notamment en Mésopotamie, où les commerçants ef-
fectuaient une répartition des coûts engendrés par les vols et pillages des cara-
vanes. On trouve également d’autres exemples en Egypte et dans la Rome antique
avec l’utilisation des rentes viagères.
Pour trouver des pratiques qui ressemblent plus à l’assurance moderne, il faut
cependant revenir plus près de notre époque avec le “prêt à la grosse aventure”
dans le domaine maritime au XIVe siècle. Les marchands faisaient appel aux ban-
quiers pour financer leurs expéditions maritimes qui coûtaient souvent très cher. Si
le bateau faisait naufrage, les marchands n’avaient rien à rembourser aux banques ;
par contre, s’il arrivait à bon port le banquier était remboursé et pouvait recevoir
une compensation financière très élevée.
D’autres types d’assurance sont apparues par la suite. Le financier italien Lo-
renzo Tonti crée en 1652 une forme de contrat d’assurance appelé tontine avec

5
un mode opératoire proche de l’assurance vie. Ces tontines sont des associations
de personnes constituées pour une certaine durée et qui mettent en commun des
fonds. A l’issue d’une durée définie préalablement, l’association est dissoute et les
fonds répartis entre les personnes. Le grand incendie de Londres de 1666 conduit
peu après à l’introduction de l’assurance incendie à Hambourg en 1676. Alors que
les premiers contrats d’assurance sur la vie sont proposés à Londres en 1698.

Le développement de l’assurance s’est ensuite poursuivi aux XVIIe et XVIIIe

siècles grâce a l’apparition d’outils mathématiques notamment le calcul des pro-
babilités. Il deviens alors possible de mesurer les paramètres des contrats d’assu-
rance (tables de mortalité, risque de perte pour une compagnie d’assurance, rentes
viagères. . .).

L’assurance en général connait un essor considérable au cours du XXe siècle.

Dans la première partie du XXe siècle cet essor s’est illustré par le développement
de compagnie de secours mutuels contre les maladies, les accidents de travail, le
chômage, et par le développement des assurances obligatoires principalement en
assurance non-vie.
L’évolution économique des sociétés et la complexification des échanges ont
depuis conduit à une importance accrue de la place de l’assurance dans ces socié-
tés. Cette importance en fait de nos jours un acteur majeur des économies et des
sociétés.

1.1.2 Temps et assurance

La principale caractéristique qui différencie le fonctionnement de l’assurance
d’une quelconque production économique est l’inversion du cycle de production.
Contrairement à la situation classique ou le producteur d’un bien connaît le coût
de production et peut en conséquence proposer un prix de vente pour son bien en
adéquation, l’assureur demande une prime d’assurance à l’assuré sans connaître
le montant réel des sinistres que l’assuré est susceptible de subir.
Cette spécificité a deux conséquences.
— La première est la nécessité de mettre en place des outils mathématiques

6
 sophistiqués afin d’évaluer le montant de la prime à demander à l’assuré
pour le protéger du risque et éviter les pertes pour l’assureur. Ces outils
sont principalement statistiques et probabilistes et utilisent les données his-
toriques pour cerner la variabilité des risques.
— la seconde est que l’assurance est extrêmement dépendante des données
connues par l’assureur d’une part et l’assuré d’autre part sur le risque cou-
vert par un contrat. Des asymétries d’informations entre les deux protago-
nistes sont régulièrement constatées expliquent une partie des règles qui
encadrent l’activité d’assurance.

La variabilité du risque est une notion particulièrement importante en assu-

rance puisque le bilan de l’assureur en dépend portement. Il résulte l’obligation
pour l’assureur de caractériser cette variabilité et d’instaurer des mécanismes pour
s’en protéger. Les deux principaux sont alors la mise en place d’une réserve de
solvabilité et la réassurance. L’apport en capital peut éventuellement concerner
d’autres activités de l’assureur. Pour cette raison nous considérerons uniquement
la notion de capital minimum nécessaire au fonctionnement de l’activité d’assu-
rance seule. La réassurance est, quand à elle, un autre mode de couverture des
risques agissant comme une mutualisation des risques pris par chaque assureur.
Pour cerner la variabilité du risque, l’approche présentée dans ce cours consiste
à utiliser des modèles probabilistes qui seront ajustés à l’aide d’outils statistiques
avec pour objectif de calculer le primes d’assurance associées.

Les asymétries d’information interviennent en assurance à plusieurs niveaux

et suivant les branches. Ceci conduit à une règlementation de l’activité d’assu-
rance imposant des conditions spécifiques à la branche d’assurance. Par exemple,
en assurance non-vie, la loi impose aux assureurs des provisions pour protéger
les assurés contre les risques de faillite de l’assureur, alors qu’en réassurance, la
loi est moins contraignante pour l’assureur et le réassureur. Enfin, de nombreux
mécanismes sont mis en place par l’assureur pour se protéger de son manque
d’information sur l’assuré : questionnaires médicaux, franchise, délais de carence,
segmentation des tarifs.
Bien qu’étant très important, cet aspect de l’assurance ne sera pas abordé dans

7
le cadre de ce cours.

1.1.3 Premières formalisations en assurance

Nous présentons dans cette sous-section, quelques définitions formelles per-
mettant de fixer les notions étudiées dans la suite.
Pour un assureur, l’objectif premier auquel il doit répondre est de rester sol-
vable. En particulier, il doit mettre toutes les chances de son coté pour qu’en cas
de sinistre il puisse indemniser ses assurés.
Il est donc important de faire l’inventaire des contrats qui l’engagent. Cet assu-
reur considère donc les K risques auxquels il est soumis et qui seront représentés
par des variables aléatoires positives X1 , . . . , XK . Plus précisément, chaque Xk
représente le montant que l’assureur doit indemniser à l’assuré k lors de la réali-
sation d’un sinistre.
Afin de se couvrir l’assureur demande donc à chaque assuré une prime. En
demandant une prime E[Xk ] à l’assuré k, l’assureur se garantit de ne pas perdre
d’argent en moyenne. Cependant, ce critère n’est pas assez sécurisant pour l’as-
sureur car la moyenne ne mesure pas les extrémités des distributions.
L’assureur demande donc une prime plus élevée qui est de la forme

(1 + η)E[Xk ]

avec η une constante strictement positive appelée chargement. La prime (1 +

η)E[Xk ] est appelée prime chargée et E[Xk ] est appelée prime pure.
Une fois les primes chargées récupérées auprès des assurés, l’assureur calcul
la probabilité de bénéfice donnée par

Pbénéfice = P(X1 + · · · + XK ≤ (1 + η)E[X1 ] + · · · + (1 + η)E[XK ]) .

De manière symétrique, l’assureur obtient à partir de cette valeur, sa probabilité

de ruine :

Pruine = P(X1 + · · · + XK > (1 + η)E[X1 ] + · · · + (1 + η)E[XK ]) .

8
Cette quantité correspond à la probabilité pour l’assureur de ne pas être en mesure
d’indemniser ses assurés.
La justification d’un besoin de chargement de la prime peux être vue du point
de vue asymptotique dans le cas où les variables aléatoires Xk sont indépendantes
et identiquement distribuées. En effet, la lois de grands nombres nous donne dans
ce cas

P (X1 + · · · + XK > KE[X1 ]) −−−−→ 1/2 .

K→+∞

Sans chargement i.e. η = 0, la probabilité de ruine de l’assureur est donc asymp-

totiquement très grande. En revanche cette même loi des grands nombres nous
donne pour η > 0

P (X1 + · · · + XK > K(1 + η)E[X1 ]) −−−−→ 0 .

K→+∞

Le chargement permet dans ce cas de limiter la probabilité de ruine pour un grand

nombre d’assuré. C’est l’effet de mutualisation.
Toujours dans ce soucis de solvabilité pour l’assureur, apparaît la notion de
plein. Le plein est la quantité maximale qu’il est possible d’assurer en conservant
une probabilité, fixée à l’avance ,de ne pas dépasser une perte également fixée.

1.1.4 Exemples d’assurances et de tarifs

L’assurance se partage en deux grandes catégories contenant elles-mêmes plu-
sieurs branches.
— La première catégorie est l’assurances de personnes. Dans ces contrats
l’indemnisation est essentiellement forfaitaire. Cette catégorie inclue prin-
cipalement les assurances en cas de vie et en cas de décès, les assurances
maladie, accident corporel, dépendance et emprunteur.
— la seconde catégorie concerne les assurances de biens et de responsa-
bilités. Dans ces contrats, le remboursement en cas de sinistre est ma-
joritairement indemnitaire. Cette catégorie inclue principalement les as-
surances automobiles, habitation, biens professionnels, catastrophes na-
turelles, construction, responsabilité civile générale, protection juridique,
assistance, perte pécuniaire.

9
 Parmi les assurances de personnes en France en 2007, les plus importantes
branches en volume de cotisations sont l’assurance vie (près de 137 milliard d’eu-
ros), loin devant les assurances en cas de maladie ou d’accident corporel (15 mil-
liard d’euros). Concernant les assurances de biens et responsabilité, toujours en
France et en 2007, l’assurance automobile représente plus de 40% du total des co-
tisations (18 milliards d’euros), suivie par l’assurance multirisque habitation avec
plus de 15% du total des cotisations, et l’assurance des biens professionnels avec
plus de 13% de ce total.
Cette division en différentes branches d’assurance permet de construire des
portefeuilles d’assurances constitués de mêmes risques et donc de se rapprocher
de l’hypothèse centrale en assurance qui est l’homogénéité du risque.
Cette segmentation des contrats d’assurance est également importante pour
des raisons qui ne sont pas uniquement techniques, mais relevant du bon fonc-
tionnement du marché de l’assurance.
En effet, du point de vue de l’assureur, cette segmentation a l’intérêt de respon-
sabiliser les assurés en attribuant par exemple une prime plus élevée aux assurés
générant des sinistres plus élevés en montant ou en nombre.
D’un point de vue économique, la segmentation des tarifs permet aussi à l’as-
sureur d’avoir un avantage concurrentiel lorsque son tarif est fondé sur le risque.
Cela permet également d’éviter le phénomène connu dans la littérature écono-
mique sous le terme d’anti-sélection.
Une fois cette organisation en contrats de risques homogènes mise en place, le
calcul des primes d’assurance s’effectue généralement en travaillant par garantie
et en utilisant les statistiques de sinistres de la garantie concernée.

1.2 Contraintes en assurance

Nous présentons dans cette section les contraintes encadrant la conception et
la mise en oeuvre de modèles mathématiques servant à calculer les primes d’as-
surance.

10
1.2.1 Mutualisation et segmentation des risques
En assurance, deux principes fondamentaux apparaissent antagonistes.
Le premier de ces principes est la mutualisation des risques. Pour faire face à
une grande variabilité de la réalisation des risques, il y a besoin de les mutualiser
i.e. en considérer un grand nombre afin de réduire le risque moyen.
Le second principe est celui de la segmentation pour avoir des ensembles de
risques homogènes. Ce besoin de segmentation vient du fait qu’en général les
risques ne sont pas homogènes et qu’il y a besoin de les regrouper afin de pouvoir
appliquer une prime différenciée à chacun des groupes ayant un risque homogène.
La recherche de modèles probabilistes permettant une segmentation appro-
priée des risques est une activité marquante des mathématiques de l’assurance
contemporaines. Il faut cependant noter que trop de segmentation conduit à une
situation problématique puisque les primes de certains assurés peuvent devenir
trop importantes (c’est l’exemple de l’assurance automobile et de l’assurance pro-
fessionnel des médecins).
Dans cette situation, il n’apparaît nulle part que l’assurance ait pour rôle de
déterminer un équilibre entre ces deux objectifs antagonistes. Le rôle de l’actuaire
est donc simplement, pour un risque donné, d’évaluer de la façon la plus précise
possible sa loi de probabilité.

1.2.2 Temps discret et continu

Nous abordons ici la question du choix entre une modélisation en temps discret
et en temps continu. Plus précisément nous présentons deux arguments motivant
le choix d’une modélisation en temps discret.
Le premier argument concerne les délais qui apparaîssent souvent entre les
sinistres et les indemnisations des assurés. Ces délais se mesurent généralement
en unité de temps et il paraît donc difficile de les intégrer dans un modèle en temps
continu qui ne mesure que des évolutions instantanées.
Le second argument est plutôt d’ordre réglementaire. En effet, la pratique de
l’assurance doit être encadrée par activité comptable visant à faire l’inventaire des

11
actifs et passifs de la compagnie d’assurance. Cet inventaire est fondamental puis-
qu’il permet de connaître la santé financière de la compagnie. Dans cette activité
comptable, l’évolution au cours du temps est mesurée avec une unité de temps
égale à une année. Cette mesure en temps discret justifie également la mise en
place de modèles de même nature pour calculer les primes d’assurance.
Nous terminons par mentionner le fait que ces deux types de modèles peuvent
conduire, comme nous le verrons à la fin du chapitre suivant, à des valeurs (pro-
babilité de ruine par exemple) significativement différentes. Le choix du modèle
est donc une décision importante.

1.2.3 Assurance vie et assurance non-vie

Comme cela a été présenté plus haut, l’assurance vie et l’assurance non-vie
se sont historiquement développées à des périodes distinctes et en suivant des
méthodes de calcul différentes.
Cette différence des méthodes vient principalement du fait que les risques as-
sociés à chacun de ces domaines ont des caractéristiques différentes.
L’assurance vie portant sur des durées plus longue est soumise au risque de
taux. En effet, l’assureur payant à ses assurées des primes sur plusieurs années, le
montant total payé dépend fortement de l’évolution des taux d’intérêt.
Dans l’assurance non-vie qui porte sur des risques à plus courte échéance,
le risque principal pour l’assureur est la grande variabilité des sinistres que l’on
qualifie de risque de variance.
Les réglementations encadrant ces deux secteurs induisent elles aussi des dif-
férences dans les approches.
Il faut cependant noter que les différences tendent à s’estomper et les outils
mathématiques développés récemment vont également dans ce sens.

1.2.4 Primes d’assurance

Nous avons vu deux notions de primes. La première est la prime pure et cor-
respond à la moyenne E[X] pour un risque X. Si en moyenne cette prime permet

12
à l’assureur de ne pas être déficitaire, il se peut qu’il le soit avec une grande pro-
babilité. L’assureur ajoute alors une quantité proportionnelle pour obtenir la prime
chargée (1 + η)E[X] où η est le chargement de sécurité. Ce chargement η permet-
tant alors de réduire la probabilité de ruine pour l’assureur.
A ces deux notions, il faut ajouter la prime commerciale en appliquant à la
prime chargée un second chargement. Ce second chargement inclut les différents
coûts et frais de l’assureur : rémunération du capital, taxes, coût de la réassurance
et frais de gestion. De manière générale, chaque compagnie applique ses propres
règles pour le calcul du chargement commercial. Dans la suite de ce cours, nous
ne calculerons que des prime avec chargement de sécurité.

13
Chapitre 2

Modélisation actuarielle

2.1 Modèles en temps discret

2.1.1 Modèle individuel

Nous présentons d’abord la définition formelle du modèle individuel.

Définition 1. Le modèle individuel de risque est une suite finie X1 , . . . , Xn de va-

riables aléatoires indépendantes et identiquement distribuées. Le montant cumulé
des sinistres S est alors défini par

S = X 1 + . . . + Xn . (2.1)

Dans ce modèle la variable aléatoire Xk représente le cumul des indemnisa-

tions allouées pour les sinistres affectant l’assuré k pendant la période d’observa-
tion.

Définition 2. La prime pure est l’espérance mathématique E[S] du montant cu-

mulé des sinistres S.

Une première conséquence de la définition du modèle individuel est la sui-

vante.

Proposition 1. Dans le modèle individuel de risque X1 , . . . , Xn avec montant

cumulé des sinistres S = X1 + . . . + Xn nous avons E[S] = nE[X1 ] si E[X1 ] <
+∞ et V ar[S] = nV ar[X1 ] si E[|X1 |2 ] < +∞

14
 La preuve de cette proposition utilise simplement la définition du modèle in-
dividuel et et laissée en exercice au lecteur.
Nous cherchons maintenant à calculer la fonction de répartition du montant
cumulé S. Pour cela rappelons que si Y et Z sont deux variables aléatoires réelles
indépendantes de fonctions de répartition respectives FY et FZ , la variable aléa-
toire Y + Z admet pour fonction de répartition le produit de convolution FY ? FZ
donné par
Z Z
FY ? FZ (x) = FY (x − z)dPZ (z) = FZ (x − y)dPY (y) (2.2)
R R

En notant FS la fonction de répartition de S et FX celle des Xk un raisonnement

par récurrence permet d’obtenir la propriété suivante.

Proposition 2. Dans le modèle individuel de risque X1 , . . . , Xn avec sinistre cu-

mulé S = X1 + · · · + Xn , nous avons

FS = FX?n = FX ? · · · ? FX (n fois) . (2.3)

2.1.2 Modèle collectif

Une extension du modèle individuel de risque est le modèle collectif de risque
dont nous donnons la définition.

Définition 3. Le modèle collectif de risque est une suite infinie (Yk )k≥1 de va-
riables aléatoires indépendantes et identiquement distribuées et une variable aléa-
toire N indépendante et à valeur entières. Le montant cumulé des sinistres S est
alors défini par
N
X
S = Y1 + . . . + YN = Yk . (2.4)
k=1

Nous pouvons alors établir un résultat similaire au modèle individuel de risque

pour le calcul des moments d’ordres 1 et 2.

Proposition 3. Dans le modèle collectif de risque N , (Yk )k ≥ 1 avec montant

cumulé des sinistres S = Y1 + . . . + YN nous avons

E[S] = E[N ]E[Y1 ] (2.5)

15
si E[Y1 ] < +∞ et E[N ] < +∞ et

V ar[S] = E[N ]V ar[Y1 ] + V ar[N ]E[Y1 ]2 (2.6)

si E[|Y1 |2 ] < +∞ et E[|N |2 ] < +∞.

2.1.3 Critère de ruine

Nous étudions maintenant la notion de ruine et plus précisément de probabilité
de ruine. Considérons un assureur dont le risque cumulé de sinistre est représenté
par une variable aléatoire S d’espérance finie. Pour un taux de chargement η > 0,
nous appellerons montant cumulé des primes chargées la quantité

Π = (1 + η)E[S] .

Pour diminuer le risque de ruine, l’assureur dispose d’une réserve de solvabilité

R. Il est également possible pour l’assureur de transférer une partie de son risque
à un réassureur en conservant une proportion α du montant des primes cumulées
et de celui des sinistres et en cédant le reste au réassureur. La probabilité de ruine
se définit alors de la manière suivante.

Définition 4. Considérons un ensemble de risque cumulé S de fonction de répar-

tition FS et de prime pure E[S] 6= 0. Pour un chargement de sécurité η > 0, une
réserve de solvabilité R > 0 et une réassurance de taux de rétention α ∈]0, 1], la
probabilité de ruine Pruine est donnée par
Ä ä
Pruine = P αS > α(1 + η)E[S] + R
Å
Rã
= 1 − FS (1 + η)E[S] + .
α
Notons que cette définition est naturelle puisqu’elle correspond à la probabilité
que les pertes cumulées à la charge de l’assureur αS dépassent les fonds dont il
dispose. Ces fonds se décomposant en la somme des primes qu’il conserve α(1 +
η)E[S] et de sa réserve de solvabilité R.

Supposons alors que le réassureur ne fait pas défaut lorsque l’assureur est
ruiné. L’assureur n’ayant en charge qu’une proportion α des primes et des sinistres

16
S, la proportion de coût restant à la charge des assurés vaut :
î  ó Ä ä
E αS αS > α(1 + η)E[S] + R − α(1 + η)E[S] + R
R .
(1 + η)E[S] + α
Ce qui nous conduit à la définition suivante.
Définition 5. Fixons un ensemble de risque cumulé S de fonction de répartition
FS et de prime pure E[S] 6= 0. Pour un chargement de sécurité η > 0, une ré-
serve de solvabilité R > 0 et une réassurance de taux de rétention α ∈]0, 1], la
proportion de coût en excès à la ruine Cruine est définie par
î  ó
Å E S αS > α(1 + η)E[S] + R ã
Cruine = α R −1 .
(1 + η)E[S] + α
Définition 6. Le taux de chargement total de la prime pure est définit par la quan-
R
tité η + αE[S]
.
Nous étudions maintenant l’effet de la mutualisation entre les risques. Plus
précisément, nous cherchons à savoir le niveau minimum de chargement de sé-
curité nécessaire pour maîtriser correctement la probabilité de ruine. En d’autres
termes, nous souhaitons avoir si la mutualisation des risques est suffisante pour ga-
rantir une probabilité de ruine petite lorsque la prime demandée est la prime pure
i.e. il n’y a pas de chargement. Le résultat suivant nous montre que la réponse est
négative.
Proposition 4. Considérons un modèle individuel X1 , . . . , Xn de cumul des si-
nistres S avec 0 < E[X1 ] < +∞, et η > 0. Alors
S P−a.s.
−−−−→ 1 ,
E[S] n→+∞
Ä ä
P S > (1 + η)E[S] −−−−→ 0 .
n→+∞
2
Supposons que 0 < σ (X1 ) < +∞. Alors pour tout ε ∈]0, 1[
Ä 1ä
P S > E[S] , −−−−→
Ä » ä
n→+∞ 2
P S > E[S] + n σ 2 (X1 )Φ−1 (1 − ε) −−−−→ ε ,
n→+∞
E[S|S > E[S]] P−a.s.
−−−−→ 1 .
E[S] n→+∞

où Φ désigne la fonction de répartition de la loi N (0, 1).

17
 Lorsque la prime utilisée est la prime pure, bien que le rapport sinistre-prime
tend vers 1 lorsque le nombre d’assurés tend vers l’infini, la probabilité de ruine ne
tend pas en général vers 0. En revanche, n’importe quel chargement de la prime
permet la convergence de la probabilité de ruine vers 0. Enfin pour une bonne
maîtrise de cette probabilité de ruine, il suffit d’avoir un taux de chargement dé-
croissant avec le nombre d’assurés proportionnellement à √1 .
n

2.2 Modèles collectif en temps continu

Cette section est une présentation rapide du modèle collectif en temps continu.
Le modèle collectif en temps continu est la donnée
— d’une suite de variables aléatoires (Yi )i≥1 indépendantes et identiquement
distribuées, positives représentant le cout de chaque sinistre,
— d’un processus (Nt )t≥0 à valeurs dans N à trajectoires croissantes, conti-
nues à droite et limités à gauche et indépendant de la suite (Yi )i≥1 .
Pour une réserve de solvabilité R et un taux d’acquisition des primes π par unité
de temps, le résultat de l’assureur au temps t ≥ 0 est donné par
Nt
X
R(t) = R + πt − Yi .
i=1

Dans ce modèle la définition de la probabilité de ruine change. En effet, il faut

d’abord se fixer un horizon de temps T . Sur l’intervalle de temps [0, T ], l’évène-
ment à consider pour savoir si l’assureur fait défaut est donc l’évènement où son
résultat devient négatif au moins une fois. La probabilité de ruine devient alors
Å ã
cont
Pruine = P min R(t) < 0 .
t∈[0,T ]

18
Chapitre 3

Fonction génératrice des moments et

lien entre modèles individuels et
collectifs

3.1 Moments et fonction génératrice des moments

3.1.1 Moments
Pour une variable aléatoire Y et un entier r ≥ 1, nous notons (lorsque ces
quantités existent) dans la suite du cours
— Mr (Y ) = E[Y r ] le moment d’ordre r,
— µr (Y ) = E[(Y − E[Y ])r ] le moment centré d’ordre r,
»
— σ(Y ) = E[(Y − E[Y ])2 ] l’écart type,
µ3 (Y ) µ4 (Y )
— γ1 (Y ) = σ 3 (Y )
et γ2 (Y ) = σ 4 (Y )
− 3 les coefficients d’asymétrie et d’apla-
tissement de Fisher.
Un premier résultat classique permet d’avoir une majoration des queues de va-
riables aléatoire en fonction du premier moment.

Proposition 5 (Inégalité de Markov). Soit X une variable aléatoire positive ad-

mettant un moment d’ordre 1. Alors
E[X]
P(X ≥ x) ≤
x
19
pour tout x > 0.

Démonstration. Fixons x > 0, nous avons alors

E[X] ≥ E[X1X≥x ] ≥ E[x1X≥x ] = xP(X ≥ x) .

Proposition 6 (Inégalité de Bienaymé-Tchebychev). Soit X une variable aléa-

toire admettant un moment d’ordre 2. Alors
σ 2 (X)
P(X ∈] − ∞, y] ∪ [x, +∞[) ≤
min{x − E[X], E[X] − y}2
pour tout x, y ∈ R tels que x > E[X] > y.

Démonstration. Fixons x, y ∈ R tels que x > E[X] > y. Nous avons alors
îÄ ó îÄ ä2 ó
σ 2 (X) = E X − E[X])2 ≥ E X − E[X] 1X∈]−∞,y]∪[x,+∞[
î ó
≥ E min{x − E[X], E[X] − y}2 1X∈]−∞,y]∪[x,+∞[
= min{x − E[X], E[X] − y}2 P(X ∈] − ∞, y] ∪ [x, +∞[) .

Proposition 7 (Premiers moments du modèle individuel). Dans le modèle indivi-

duel S = X1 + · · · + XK , si les Xk admettent un moment d’ordre 2 (resp. 3) alors
S admet aussi un moment d’ordre 2 (resp. 3) et

σ 2 (S) = Kσ 2 (X1 )
(resp. µ3 (S) = Kµ3 (X1 )) .

Démonstration. Ces égalités résulte du développement des expression σ 2 (S) et

µ3 (S) et du fait que les variables aléatoires X1 , . . . , XK sont indépendantes et
identiquement distribuées. 2

Proposition 8 (Premiers moments du modèle collectif). Dans le modèle collectif

S = Y1 + · · · + YK , si les N et Yk admettent un moment d’ordre 2 (resp. 3) alors
S admet aussi un moment d’ordre 2 (resp. 3) et

σ 2 (S) = E[N ]σ 2 (Y1 ) + σ 2 (N )E[Y1 ]2

(resp. µ3 (S) = µ3 (N )E[Y1 ]3 + 3σ 2 (N )E[Y1 ]σ 2 (Y1 ) + E[N ]µ3 (Y1 ))

20
3.1.2 Fonction génératrice des moments
Définition 7. La fonction génératrice d’une variable aléatoire Y , noté LY est la
fonction définie par

LY (θ) = E[eθY ] , θ∈R.

Théorème 1. Pour une v.a. Y à valeurs dans [0, +∞[, la fonction génératrice LY
est finie, croissante et C ∞ sur ] − ∞, 0[. Ses valeurs au voisinage de 0− caracté-
risent la loi de Y et on a

L(k) (0− ) = lim L(k) (θ) = Mk (Y ) (= E[Y k ]) , k∈N

θ→0−

Proposition 9. Soient Y1 et Y2 deux variables aléatoires positives et indépen-

dantes. Alors

LY1 +Y2 = LY1 LY2

Nous pouvons également définir la fonction génératrice d’un vecteur aléatoire.

Définition 8. Pour un vecteur aléatoire Y = (Y1 , . . . , Yn )> à valeurs dans [0, +∞[n ,
sa fonction génératrice LY est définie par
î >Y ó
LY (θ) = E eθ , θ ∈ Rn .

Cette fonction est finie sur ] − ∞, 0]n .

Nous avons alors les propriétés suivantes.
Proposition 10. La fonction génératrice des moments restreinte à ] − ∞, 0]n ca-
ractérise la loi du vecteur aléatoire : si Y1 et Y2 sont deux vecteurs aléatoires tels
que

LY1 (θ) = LY2 (θ) ,

pour tout θ ∈] − ∞, 0]n alors Y1 et Y2 ont même loi.

Proposition 11. Soient Y1 , . . . , Yn des variables aléatoires indépendantes et Y =
(Y1 , . . . , Yn )> . Alors
n
Y
LY (θ) = LYk (θk )
k=1

pour tout θ = (θ1 , . . . , θn )> .

21
3.1.3 Fonction génératrice d’une distribution sur N
Définition 9. Pour une variable aléatoire Z à valeurs dans N la fonction généra-
trice gZ est définie par
X n
gZ (s) = s P(Z = n) , s ∈ [0, 1] .
n∈N

Proposition 12. Pour tout s, h ∈ [0, 1] tels que s + h ∈ [0, 1], nous avons
(`)
X gZ (s) `
gZ (s + h) = h .
`∈N `!

Corollaire 1. Si g1 et g2 sont deux fonctions génératrices égales sur un intervalle

[c, 1] avec c ∈]0, 1[, alors g1 = g2 .

3.2 Cas des modèles individuel et collectif

Proposition 13. Pour le modèle individuel S = X1 + · · · + XK nous avons

LS (θ) = (LX (θ))K

pour tout θ ∈] − ∞, 0].

Démonstration. Ce résultat est une conséquence de la définition du modèle indi-

viduel et de la Proposition 9. 2

Proposition 14. Pour le modèle collectif S = X1 + · · · + XN nous avons

LS (θ) = gN (LX1 (θ))

pour tout θ ∈] − ∞, 0].

Démonstration. Fixons θ ∈] − ∞, 0]. Nous avons alors

î PN ó +∞ î Pn ó
LS (θ) = E eθ Xk
E 1N =n eθ Xk
X
k=1 = k=1

n=0
+∞ î ón
E eX1 P(N = n) = gN (LX1 (θ)) .
X
=
n=0

22
3.3 Relation entre le modèle individuel et collectif
Définition 10. Pour un entier K > 0, le modèle collectif étendu de risque est
la donnée d’une variable aléatoire N à valeurs dans N et de deux suites de va-
riables aléatoires iid (Yn )n et (kn )n mutuellement indépendantes avec les kn à
valeurs dans l’ensemble {1, . . . , K} représentant les risques possibles. Les objets
N et (Yn )n définissant le modèle collectif de sinistre cumulé S = Y1 + · · · + YN
et l’objet (kn )n précise le risque touché par un sinistre. Ainsi, pour un risque
k ∈ {1, . . . , K} le nombre Nk de sinistre affectant k et leur coût cumulé Xk sont
donnés par
N
X N
X
Nk = 1kn =k et Xk = Yn 1kn =k .
n=1 n=1

Notons que dans le modèle collectif étendu nous avons les relations :

N = N1 + · · · + NK et S = X1 + · · · + XK .

Ces deux relations montrent un lien entre ce modèle collectif étendu et le modèle
individuel. Plus précisément nous avons le résultat suivant.

Théorème 2. Considérons un modèle collectif étendu de risque vérifiant K ≥ 2 ,

P(N = 0) < 1 et P(k1 = k) > 0 pour tout k ∈ {1, . . . , K}. Les assertions
suivantes sont alors vérifiées.
(i) Les variables aléatoires X1 , . . . , XK sont indépendantes si et seulement si
N suit une loi de Poisson.
(ii) Les variables aléatoires X1 , . . . , XK sont identiquement distribuées si et
seulement si les variables aléatoires kn sont équidistribuées i.e. P(kn =
1
k) = K
pour tout k ∈ {1, . . . , K}.

Démonstration. Nous présentons simplement la preuve des conditions suffisantes.

Nous calculons d’abord la fonction génératrice du vecteur X = (X1 , . . . , XK )> :
ï P ò ï P ò
K N PK
θ X Yn ( θ 1 )
LX (θ) = E e k=1 k k = E e n=1 k=1 k kn =k

23
 PK
Les variables aléatoires Zn := Yn ( k=1 θk 1kn =k ) étant IID nous obtenons d’après
le calcul de la fonction génératrice du modèle collectif

LX (θ) = gN (LZ1 (−1)) .

Les variables aléatoires Yn et le v.a. kn étant IID nous obtenons

K
X
LZ1 (−1) = LY1 (θk )P(k1 = k),
k=1

ce qui nous donne

ÅX
K ã
LX (θ) = gN LY1 (θk )P(k1 = k) .
k=1

(i) Supposons que N suit une loi de Poisson P(λ). D’après le calcul précédent
nous avons
PK PK
LX (θ) = e−λ(1− k=1 LY1 (θk )P(k1 =k))
= e− k=1 λP(k1 =k)(1−LY1 (θk ))

Nous en déduisons que

K
e−λP(k1 =k)(1−LY1 (θk ))
Y
LX (θ) =
k=1

Ce qui nous done l’indépendance des Xk .

(ii) En procédant de la même manière nous obtenons l’expression suivante
pour la fonction génératrice de Xk :
Ä ä Ä ä
LXk (θk ) = gN LY1 1k1 =k (θk ) = gN 1 − (1 − LY1 (θk )P(k1 = k) .

Cette expression ne dépendent pas de k lorsque kn est uniformément distribuée.

Comme la fonction génératrice caractérise la loi, on en déduit que les Xk sont
identiquement distribuées dans ce cas. 2

24
Chapitre 4

Coût des sinistres

Nous présentons dans ce chapitre les lois usuelles utilisées pour modéliser le
montant d’un sinistre.

4.1 Lois normales et gammas

Nous commençons par les lois gaussiennes.
Définition 11. La loi normale de moyenne m et de variance σ 2 > 0 est la loi de
probabilité notée N (m, σ 2 ) de densité fN (m,σ2 ) définie par
1 1 (x−m)
2

fN (m,σ2 ) (x) = √ e− 2 σ 2 , x ∈ R .
2πσ 2
Pour une variable aléatoire X de loi N (m, σ 2 ), nous avons E[X] = m et
σ 2 (X) = σ 2 . De plus une telle variable admet des moments à tous les ordres.
La fonction génératrice de X est définie pour tout θ ∈ R+ et nous est alors
donnée par
Ä 1 ä
LX (θ) = exp mθ + σ 2 θ2 , θ ∈ R+ .
2
Nous passons à la loi gamma.
Définition 12. Pour deux réels a et b strictement positifs la loi gamma γ(a, b) est
la loi de densité fγ(a,b) donnée par
ba a−1 −bx
fγ(a,b) (x) = 1x>0 x e
Γ(a)

25
 R ∞ a−1 −y
où Γ(a) = 0 y e dy.

Pour une variable aléatoire X suivant une loi γ(a, b), nous avons E[X] = a/b
et σ 2 (X) = a/b2 .
La fonction génératrice de X est définie pour θ ∈ [0, b[ et nous est donnée par
Å
b ã2
LX (θ) = , θ ∈ [0, b[ .
b−θ
Nous présentons ensuite les estimateurs des moments et du maximum de vrai-
semblance.
Pour la loi normale, les deux paramètres qui déterminent la loi sont m et σ 2 .
Lorsqu’on dispose d’un échantillon de réalisations IID x1 , . . . , xn de la variable
aléatoire X l’estimateur des moments est donné par
n
1X
m̂M = xi ,
n i=1
n
2 1X
σ̂M = (xi − m̂M )2 .
n i=1

Pour la loi gamma, les paramètres a et b sont donnés par les relations
E[X]
b =
σ 2 (X)
E[X]2
a =
σ 2 (X)
L’estimateur des moments est donc donné par
m̂M
b̂M = 2
σ̂M
m̂2M
âM = 2
σ̂M
Concernant la méthode du maximum de vraisemblance, nous rappelons que le
choix de l’estimateur se fait de manière à maximiser la vraisemblance. Plus pré-
cisément, pour une loi admettant une densité fθ dépendant d’un paramètre θ ∈ Θ,
l’estimateur du maximum de vraisemblance θEM V vérifie
n
Y
θEM V ∈ arg max fθ (xi ) .
θ∈Θ
i=1

26
avec x1 , . . . , xn la réalisation d’un n-échantillon IID de même loi que X.
Dans le cas de la loi normale l’estimateur du maximum de vraisemblance est
donné par
n
1X
m̂EM V = xi ,
n i=1
n
2 1X
σ̂EM V = (xi − m̂M )2 .
n i=1

Pour la loi gamma, il n’y a pas d’expression explicite pour l’estimateur de vrai-
semblance (âEM V , b̂EM V ). Nous savons simplement qu’il est solution de l’équa-
tion suivante :
n
Γ0 (a) X
n ln(âEM V ) − n ln(m̂EM V ) − n + ln(xi ) = 0
Γ(a) i=1
et
âEM V
b̂EM V = .
m̂EM V
Il faut alors utiliser des méthodes numériques pour obtenir une valeur de cet esti-
mateur.

4.2 Transformation de loi

En assurance, il est important pour l’assureur d’avoir une mesure de l’occu-
rence de sinistres lourds demandant une indemnisation importante. D’un point
de vue probabiliste, cela se traduit par la mesure des queues de distribution. En
d’autres termes, étant donnée un loi de probabilité, pouvons nous dire si elle
charge beaucoup les grandes valeurs. Dans le cas où la réponse est positive, on
parle alors de queues épaisses.
Pour mesurer l’épaisseur des queues de distribution d’une variable aléatoire
X, il est d’usage de calculer le coefficient d’aplanissement de Fisher γ2 (X) dont
on rappelle l’expression
µ4 (X)
γ2 (X) = −3
σ 4 (X)

27
(dans la littérature financière, on parle de Kurtosis κ(X) défini par κ = γ2 (X)+3).
Pour une loi normale γ2 = 0 (ou κ = 3) et lorsque γ2 > 0 (ou κ > 3), la
distribution est dite leptokurtique et présente (souvent) des queues épaisses.
En assurance, de nombreux risques à couvrir conduisent à des sinistres élevés.
Il est donc important d’utiliser des variables aléatoires à queues épaisses pour
modéliser ces risques.
Une manière de rehausser les queues de distribution est de considérer des va-
riables aléatoires comptées par la fonction exponentielle. Plus précisément, pour
une variable aléatoire X de loi donnée, on s’intéresse à la loi de la variable aléa-
toire Y = eX .

Proposition 15. Si X admet une densité fX alors alors Y admet aussi une densité
fY donnée par
fX (ln(y))
fY (y) =
y
pour y ∈ R∗+ et fY (y) = 0 pour y ∈ R− .
D’autre part Y admet un moment d’ordre k ≥ 0 si et seulement si X admet
un moment exponentiel à l’ordre k.

Nous nous intéressons maintenant à l’effet de cette transformation sur la pro-

cédure d’estimation.

Proposition 16. La procédure d’estimation par maximum de vraisemblance n’est

pas modifiée par la transformation exponentielle : si θ̂EM V = ψ(x1 , . . . , xn ) est
un estimateur du maximum de vraisemblance pour la loi de fX,θ de X obtenu à
partir de réalisation IID x1 , . . . , xn de X, alors θ̂EM V est aussi un estimateur du
maximum de vraisemblance pour la loi de fY,θ de Y obtenu à partir de réalisation
IID ex1 , . . . , exn de Y .

Ce résultat nous dit simplement que si l’estimateur du maximum de vraisem-

blance est θ̂EM V = ψ(x1 , . . . , xn ) alors l’estimateur du maximum de vraisem-
blance pour Y est de la forme

ψ(ln(y1 ), . . . , ln(yn ))

28
où y1 , . . . , yn sont les réalisations IID de Y . Nous présentons maintenant trois
exemples de base.

Loi lognormale. La loi lognormale de paramètres m et σ 2 noté log N (m, σ 2 )

est la loi de la variable aléatoire X = eY où Y suit la loi N (m, σ 2 ).
Sa densité est donnée par
Å
1 1 (ln(x) − m)2 ã
flog N (m,σ2 ) (x) = √ exp − , x>0.
xσ 2π 2 σ2
Sa fonction de répartition est donnée par
Å
ln(x) − m ã
Fln N (m,σ2 ) (x) = FN (0,1)
σ
Si X suit la loi ln N (m, σ 2 ) alors son espérance et sa variance sont données par
σ2
E[X] = em+ 2 .
2 2
σ 2 (X) = e2m+σ (eσ − 1) .

Nous obtenons alors

Å
1X ã 1 2
m̂M = ln xi − σ̂M
n 2
Å 1P 2 ã
x
2
σ̂M = ln 1n P i 2 + 1
( n xi )

Pour la réalisation (x1 , . . . , xn ) d’un n échantillon IID de X la vraisemblance

nous est donnée par
Å
n
Y 1 1 (ln(xi ) − m)2 ã
√exp −
i=1 xi σ 2π 2 σ2

L’estimateur du maximum de vraisemblance est alors donné par

n
1X
m̂EM V = ln(xi ) ,
n i=1
n
2 1X
σ̂EM V = (ln(xi ) − m̂M )2 .
n i=1

29
Loi loggamma. La loi loggamma de paramètres a et b noté log γ(a, b) est la loi
de la variable aléatoire X = eY où Y suit la loi γ(a, b).
Sa densité est donnée par
ba
flog γ(a,b) (x) = ln(x)a−1 1x>1 , x>0.
xb+1 Γ(a)
Sa fonction de répartition est donnée par

Fln γ(a,b) (x) = Fγ(a,b) (ln(x))

Cette loi admet un moment d’ordre 1 si et seulement si b > 1 et dans ce cas

Ç åa
b
E[X] = .
b−1
Si b > 2 cette loi admet également un moment d’ordre 2 donné par
Ç åa Ç å2a
2 b b
σ (X) = − .
b−2 b−1
L’estimateur des moments est alors donné par les relations suivantes :
ln(b̂M ) − ln(b̂M − 1) 1/n xi
P
=
1/n x2i
P
ln(b̂M − 1) − ln(b̂M − 2)
et
1/n xi
P
âM = .
ln(b̂M ) − ln(b̂M − 1)
L’estimateur du maximum de vraisemblance est alors obtenu en maximisant la
vraisemblance donnée par
n
ba n Y ln(xi )a−1
( ) .
Γ(a) i=1 xb+1
i

Là encore il n’y a pas de formule explicite. Nous savons uniquement que l’esti-
mateur est solution de
n
X Γ0 (a) X
n ln(âEM V ) − n ln(1/n ln(xi )) − n + ln(ln(xi )) = 0
Γ(a) i=1
et
âEM V
b̂EM V = .
1/n ln(xi )
P

30
Loi de Pareto. La loi de Pareto de paramètres a > et α > 0 noté P (a, α) est la
loi de la variable aléatoire X = aeY où Y suit la loi E(α). Rappelons que la loi
E(α) admet pour densité

fE(α) (x) = αe−αx 1x>0 , x∈R.

La densité de la loi de Pareto de paramètres a et α est alors donnée par

aα
fP (a,α) (x) = α ,
xα+1
pour x ≥ a et fP (a,α) (x) = 0 sinon.
La loi de Pareto admet un moment d’ordre k si et seulement si α > k. En
particulier lorsque α > 2 nous avons
αa
E[X] = ,
α−1
et
a2 α
V ar(X) = .
(α − 1)2 (α − 2)
Ces deux relations nous permettent alors d’obtenir les estimateurs des moments
sous la forme
2
α̂M = 1/n
P
x2i −(1/n
P 2
1− P 2 xi )
(1/n xi )

et
(α̂M − 1)1/n xi
P
âM = .
α̂M
Concernant l’estimateur du maximum de vraisemblance, il réalise le maximum de

αn anα ( xi )−(α+1) 1a≤mini xi

Y

ce qui conduit à

âEM V = min xi
i

En maximisant la log-vraisemblance nous obtenons :

1
α̂EM V =
1/n i xi − ln(mini xi )
P

31
4.3 Choix d’un modèle paramétrique pour la loi du
coût
En pratique le choix d’une loi de probabilité pour modéliser le les coûts des
sinistres se fait parmi un nombre limités de loi incluant les lois précédemment
citées (auxquelles il convient d’ajouter la loi de Weibull, les deux versions de la
loi de Burr,...).
En pratique ce choix se fait en cherchant parmi ces distributions la famille de
loi de probabilités la plus proche des observations en utilisant les outils suivant.

Diagramme Quantile-Quantile. La méthode Q-Q- plot consiste à comparer la

distribution empirique à une distribution théorique. Pour cela, on représente sur
un graphe les points Mi d’abscisse xi et d’ordonnée yi où xi et yi représentent
i
respectivement les quantiles d’ordre n
des distributions empirique et théorique.
La qualité de l’adéquation entre la loi empirique et théorie est alors mesurée par
l’alignement des points Mi sur la première bissectrice.

Méthode de l’espérance résiduelle.

Distance du χ2 . La méthode consiste à comparer l’histogramme des fréquences

et la distribution de la loi de probabilité servant de modèle théorique. Pour cela,
après avoir découpé l’intervalle d’observation en k classes, on construit un indice
d mesurant l’écart constaté entre les effectifs réels et les effectifs théoriques
k
X (ni − npi )2
d =
i=1 npi
avec
— ni : effectif observé dans la classe i
— n : effectif total observé
— pi : probabilité d’obtenir une observation de la loi de probabilité théorique
dans la classe i
— npi : effectif théorique dans la classe i.

32
Sous l’hypothèse d’adéquation, la statistique d convergent en loi vers une loi du
χ2 . On rejette alors l’hypothèse d’adéquation lorsque d > h pour un paramètre h
bien choisi.

Distance de Kolmogorov-Smirnov. Pour un échantillon IID (x1 , . . . , xn ) le test

de Kolmogorov-Smirnov permet de mesurer l’adéquation à une loi théorique de
fonction de répartition F . Pour cela on calcule la statistique

d = max |Fn (x) − F (x)|

x∈R

où Fn désigne la fonction de réparation empirique associée à notre échantillon.

Sous l’hypothèse selon laquelle l’échantillon est tiré suivant la loi F , la statistique
d tend vers 0.
Ce test consiste alors à rejeter l’hypothèse d’adéquation pour une valeur de d
dépassant un certain seuil.

4.4 Mutualisation

4.4.1 Modèle normal et mutualisation des risques

Nous nous intéressons dans cette sous-section à l’effet de la mutualisation dans
le cas du modèle normal pour le cumul des sinistres.
Considérons deux ensembles de risques de montants cumulés S1 et S2 de lois
respectives N (µ1 , ν12 ) et N (µ2 , ν22 ).
Fixons ε > 0 et s1 et s2 deux seuils tels que les probabilités de ruines associées
respectivement pour S1 et S2 soient fixées à ε. Ces seuils sont donc donnés par

s1 = µ1 + ν1 Φ−1 (1 − ε) et s2 = µ2 + ν2 Φ−1 (1 − ε) .

Nous supposons dans la suite que le montant cumulé S = S1 + S2 suit une loi
normale. Sa moyenne µ et sa variance ν sont alors données par

µ = µ1 + µ2 et ν 2 = ν12 + cov(S1 , S2 ) + ν22

Deux possibilités s’offrent à l’assureur pour profiter de l’effet de mutualisation.

33
Réduction du seuil. L’assureur peut choisir d’utiliser l’effet de mutualisation
afin de réduire le seuil s correspondant à une probabilité de ruine ε pour S. Dans
ce cas, ce seuil est donné par
»
s = E[S] + σ 2 (S)Φ−1 (1 − ε)
»
= µ1 + µ2 + ν12 + cov(S1 , S2 ) + ν22 Φ−1 (1 − ε)

En utilisant l’inégalité de Cauchy-Schwartz, on remarque que ν 2 ≤ (ν1 + ν2 )2 ,ce

qui conduit à

s ≤ s1 + s2 ,

le seuil est donc réduit.

Réduction de la probabilité de ruine. L’assureur peut également utiliser le

seuil s = s1 + s2 afin de réduire la probabilité de ruine de l’ensemble des risques.
En effet, nous distinguons deux cas.
— Cas 1 : ν12 + cov(S1 , S2 ) + ν22 = 0. Comme

s1 + s2 = µ1 + µ2 + Φ(1 − ε)(ν1 + ν2 ) > µ1 + µ2 ,

nous obtenons P(S + S > s2 + s2 ) = 0 < ε et la probabilité de ruine est

diminuée.
— Cas 2 : ν12 + cov(S1 , S2 ) + ν22 > 0. Dans ce cas, nous avons
Å
s1 + s2 − (µ1 + µ2 ) ã
P(S + S > s2 + s2 ) = 1 − Φ » 2
ν1 + cov(S1 , S2 ) + ν22
Å ã
ν1 + ν2 −1
= 1−Φ » 2 Φ (1 − ε)
ν1 + cov(S1 , S2 ) + ν22
≤ 1 − Φ(Φ−1 (1 − ε)) = ε .

La dernière inégalité provenant de fait que Φ est une fonction croissante et

de l’inégalité ν 2 ≤ (ν1 + ν2 )2 .
En suivant ce raisonnement on peut montrer le résultat plus général suivant.

34
Proposition 17. Soient un entier I strictement positif et I ensembles de risques
de montant cumulés respectifs S1 , . . . , SI tels que les Si et S := S1 + · · · + SI
suivent des lois normales avec σ 2 (Si ) > 0 pour tout i ≤ I. Pour des seuils
s1 > E[S1 ], . . . , sI > E[SI ], nous avons
Ñ é
Å ã
si − E[Si ]
P (S > s1 + · · · + sI ) ≤ max 1−Φ »
1≤i≤I σ 2 (Si )

4.4.2 Modèle de versement d’un capital décès

On considère le modèle individuel de risque suivant. Les variables aléatoires
Xk sont données par X1 = cB1 , . . . , Xk = cBk , où c est une constante de R∗+ et
B1 , . . . , BK sont des variable aléatoires IID de loi de bernoulli B(q) de paramètre
q ∈]0, 1[ :

P(Bk = 1) = q = 1 − P(Bk = 0) .

Le cumul des sinistres S = X1 + · · · + XK a une loi relativement simple : S/c

suit alors une loi multinomiale B(K, q) de paramètres K et q :

k k
P(S/c = k) = CK q (1 − q K−k ) .

Ce modèle correspond au versement d’un montant c au décès d’individus tous de

mêmes caractéristiques. Ce modèle est ses extensions sont utilisés dans le domaine
de l’assurance vie collective où les contrats sont renégociés chaque année.
Le paramètre q représentant la mortalité d’un individu est déterminer en fonc-
tion des tables de mortalité. A titre d’exemple, il varie entre 10−4 et 10−3 pour des
individus entre 5 et 60 ans.
Nous nous intéressons dans la suite à l’effet que peut avoir la mutualisation
dans un tel modèle.
Prenons le valeurs q = 10−3 et c = 1. Nous observons que l’intervalle de
confiance pour S associé à une certaine probabilité dépend fortement de K Par
exemple pour une probabilité 1 − 10−4 , l’intervalle de confiance pour S associé
pour K = 1000 est [0, 6] alors que pour K = 10000 cet intervalle de confiance est
[0, 24].

35
 Il est également possible de calculer la probabilité de ruine. Fixons par exemple
R
R = 1 et α = 0, 5. En utilisant la formule Pruine = P(S > (1 + η)E[S] + α
),
nous obtenons les résultats suivants.
— Pour K = 1000 et η ∈]0, 1[, Pruine ≈ 1, 89 × 10−2 .
— Pour K = 10000 et η = 0, 1 Pruine ≈ 1, 35 × 10−1 .
— Pour K = 10000 et η = 0, 5 Pruine ≈ 1, 42 × 10−2 .
— Pour K = 10000 et η = 0, 9 Pruine ≈ 6, 94 × 10−4 .
On constate donc que pour un nombre plus élevé d’assurés, il est possible de
controller plus finement cette probabilité de ruine.
Notons cependant que la décroissance de la probabilité de ruine avec K n’est
pas vérifiée pour les petites valeurs de η. Cela vient de l’effet de la valeur Rα. En
effet, pour garder une probabilité stable avec K, il faut que cette quantité évolue
proportionnellement à K. C’est ce que font en pratique les assureurs.

Il faut noter que noter qu’en admettant un certain niveau différent de zéro pour
la probabilité de ruine, cette dernière est susceptible de se produire. Il faut donc
calculer quel sera leÅmontant nonãindemnisé par l’assureur Cruine . En utilisant la
E[S|S>s]
formule Cruine = α s
− 1 nous obtenons les valeurs suivantes.
— Pour K = 1000, s = 3, 5 et α = 0, 5 nous obtenons Cruine = 1, 04 × 10−1 .
— Pour K = 1000, s = 17 et α = 0, 5 nous obtenons Cruine = 5, 70 × 10−2 .
Nous constatons dans ce cas que par exemple pour η = 0, 5, la ruine peut
se produire avec une probabilité de l’ordre de 1, 9% et lorsqu’elle se produit en
moyenne, plus de 10% de l’indemnisation n’est pas remboursée.

36
Chapitre 5

Nombre de sinistres

5.1 Loi binomiale, de Poisson et binomiale négative

Nous commençons par présenter les lois classiques.

Definitions et moments. Nous présentons les definitions et valeurs des mo-

ments.
• La loi binomiale B(p, `) de paramètres p ∈]0, 1[ et ` ∈ N∗ est donnée par

P(N = k) = C`k pk (1 − p)k 0≤k≤`,

pour N ∼ B(p, `). Sa fonction génératrice est donnée par

gN (s) = (1 − p + ps)` , s∈R.

Ses deux premiers moments sont données par

E[N ] = p
σ 2 (N ) = `p(1 − p)

Nous avons ensuite

µ3 (N ) := E[(N − E[N ])3 ] = `p(1 − p)(1 − 2p)

µ(3) 1 − 2p 2σ 2 (N ) − EN
γ1 (N ) := » 3 = » = »
2
σ (N ) `p(1 − p) EN σ 2 (N )

37
• La lois de Poisson de paramètre λ ∈]0, +∞[ est définie par
λk
P(N = k) = e−λ pour k ∈ N
k!
où N ∼ P(λ). Sa fonction génératrice est donnée par

gN (s) = e−λ(1−s) , s∈R.

Sa moyenne et sa variance sont données par

E[N ] = λ,
σ 2 (N ) = λ .

Nous avons ensuite

µ3 (N ) = λ
1
γ1 (N ) = √ .
λ
• La lois binomiale négative N B(r, p) de paramètres r ∈]0, +∞[ et p ∈]0, 1[ est
définie par
Γ(r + k)pk (1 − p)r
P(N = k) = pour k ∈ N
k!Γ(r)
où N ∼ N B(r, p). Sa fonction génératrice est donnée par
Å
1 − p ãr
gN (s) = , s∈R.
1 − sp
Sa moyenne et sa variance sont données par
rp
E[N ] = ,
1−p
rp
σ 2 (N ) = .
(1 − p)2
Nous avons ensuite
rp(1 + p)
µ3 (N ) =
(1 − p)3
1+p
γ1 (N ) = √ .
rp

38
Estimation des paramètres. Considérons maintenant la réalisation d’un échan-
tillon (n1 , . . . , nK ) IID d’une variable aléatoire N . Notons (n(1) , . . . , n(K) ) la sta-
tistique d’ordre associée et σ̂ 2 et m̂ la variance et la moyenne empiriques asso-
ciées.
• Pour la loi Binomiale i.e. N ∼ B(`, p), la méthode d’estimation des mo-
ments conduit aux estimateurs p̂M et `ˆM donnés par

p̂M = 1 − σ̂ 2 /m̂

m̂2
et `ˆM est l’entier supérieur au maximum des réalisations le plus proche de m̂−σ̂ 2
.
La condition d’existence d’un tel estimateur est

0 < σ̂ 2 < m̂ .

L’application de la méthode du maximum de vraisemblance conduit à maximiser

la quantité
K
C`nk pnk (1 − p)`−nk .
Y

k=1

La condition du premier ordre en p nous donne alors

m̂
p̂EM V =
ˆ
`EM V

`ˆEM V étant une variable entière, elle est donnée par

`ˆEM V ∈ arg max G(`)

`≥n(K)

avec G définie par

K
m̂ nk m̂
C`nk ( ) (1 − )`−nk .
Y
G(`) =
k=1 ` `

• Pour la loi Poisson i.e. N ∼ B(λ), la méthode d’estimation des moments

conduit à l’estimateur donné par

λ̂M = m̂

39
La condition d’existence d’un tel estimateur est

0 < m̂ .

L’application de la méthode du maximum de vraisemblance conduit à maximiser

la quantité
K
λnk
e−λ
Y
,
k=1 nk !
ce qui nous donne alors

λ̂EM V = m̂ .

Là encore la condition d’existence est m̂ > 0.

• Pour la loi Binomiale négative i.e. N ∼ N B(r, p), la méthode d’estimation
des moments conduit aux estimateurs p̂M et r̂M donnés par

p̂M = 1 − σ̂ 2 /m̂
m̂2
r̂M =
σ̂ 2 − m̂2
La condition d’existence d’un tel estimateur est

σ̂ 2 < m̂ .

L’application de la méthode du maximum de vraisemblance conduit à maximiser

la log-vraisemblance donnée par
Å
K
X Γ(nk + r) ã
ln + nk ln(p) + r ln(1 − p) − ln(nk !) .
k=1 Γ(r)
La condition du premier ordre en p nous donne alors
m̂
p̂EM V = .
m̂ + r̂EM V
La condition du premier ordre sur r nous donne alors que r̂EM V est solution de
l’équation H(r) = 0 avec la fonction H définie par
K Å ã
r X 1 1
H(r) = K ln( )+ 1nk ≥1 + ··· + , r ∈]0, +∞[ .
r + m̂ k=1 r r + nk − 1
En pratique, lorsque les estimateurs du maximum de vraisemblance ne sont
pas donnés par des formule explicites, on utilise des méthodes de résolution nu-
mérique.

40
5.2 Loi multinomiale et test d’adéquation du χ2
Fixons n ≥ 1 et considérons un n-uplet (X1 , . . . , Xn ) de variables aléatoires
IID de loi

P(Xi = j) = pj , j = 1, . . . , k,
Pk
avec p1 , . . . , pk des éléments de ]0, 1[ tels que j=1 pj = 1. Nous définissons alors
pour chaque j ∈ {1, . . . , k} la variable aléatoire Nj par
k
X
Nj = 1Xi =j
i=1

La loi multinomiale de paramètre (n, p1 , . . . , pk ) est la loi du k-uplet (N1 , . . . , Nk ).

Elle est donnée par
Ä n!
P N1 = n1 , . . . , Nk = nk ) = pn1 1 · · · pnk k
n1 ! · · · nk !
pour tout entiers n1 , . . . , nk tels que n1 + · · · + nk = n.
Une des propriété importante de cette loi est la convergence suivante :

Théorème 3.
k
X (npi − Ni )2 loi
−−−−→ χ2k−1 .
i=1 np i n→+∞

Cette convergence nous permet de mettre en place un test d’adéquation.

Pour cela fixons une probabilité de référence (p1 , . . . , pk ) à laquelle nous vou-
lons tester l’adéquation de nos données. Nous calculons alors la statistique
k
X (npi − Ni )2
T = .
i=1 npi
En cas de non adéquation, cette valeur explose. Le test consiste donc à rejeter
l’hypothèse d’adéquation dès que la valeur de T est trop grande (en général dès
que T > qχ2k−1 (1 − α) avec α = 5%).

Remarque 1. Ce test permet également de tester l’adéquation à des loi prenant

un nombre infini de valeurs telles que la loi de Poisson. Pour cela, il faut regrouper
en une seule classe les points supérieur à une certaine valeur et chargées par la
loi.

41
5.3 Mélange de lois de Poisson
Nous donnons la définition du mélange de loi de Poisson.

Définition 13. Soit Q une mesure de probabilité sur ]0, +∞[. La loi P mélange
de lois de Poisson par Q notée MP(Q), est définie par
n
−λ λ
Z
P ({n}) = e dQ(λ) .
]0,+∞[ n!
Le théorème de Fubini permet de vérifier que cette mesure est bien une loi de
probabilité :
XZ λn
e−λ dQ(λ) = 1 .
n≥0 ]0,+∞[ n!

Nous donnons maintenant quelques exemples.

• Considérons le cas où Q ne charge qu’un nombre fini de points λ1 , . . . , λm
avec probabilités q1 , . . . , qm . Alors
m
1 X
P ({n}) = e−λj λnj qj , n∈N.
n! j=1

• Considérons le cas où Q suite une loi γ(a, b). Dans ce cas le mélange de loi de
1
Poisson est N B(a, b+1 ).
• Considérons un couple de variables aléatoires (N, Λ) telles que Λ ∼ Q
et L(N |Λ = λ) = P(λ). Alors N ∼ MP(Q). En effet, pour une fonction g
mesurable bornée on a
Z
P(N = n) = P(N = n|Λ = λ)dQ(λ)
]0,+∞[
λn
Z
= e−λ dQ(λ) .
]0,+∞[ n!
Nous avons ensuite les propriétés suivantes.

Proposition 18. Soit N ∼ MP(Q) et r ∈ N. Alors

Z
E[N (N − 1) · · · (N − r)] = λr+1 dQ(λ)
]0,+∞[

42
et

gN (s) = LQ (−(1 − s))

avec LQ la fonction génératrice de la loi Q définie par

Z
LQ (θ) = eλθ dQ(λ)
]0,+∞[

On en déduit les conséquences suivantes sur le calcul des moments :

E[N ] = M1 (Q)
σ 2 (N ) = σ 2 (Q) + M1 (Q)
µ3 (N ) = µ3 (Q) + 3σ 2 (Q) + M 1(Q).

5.4 Nombres de sinistres et mélange de loi de Pois-

son
Les mélanges de lois de Poisson permettent de modéliser les inhomogénéités
du paramètre de risque. Considérons le modèle suivant.
Fixons K paramètres de risques λ1 , . . . , λK dans R∗+ et K risques pour les-
quels les nombres de sinistres respectifs N1 , . . . , NK sont des variables aléatoires
indépendantes de lois de Poisson : Nk ∼ P(λk ), k ∈ {1, . . . , K}. Notons N le
nombre total de sinistres :
K
X
N = Nk .
k=1

Fixons également une variable aléatoire κ indépendante de N1 , . . . , NK et de loi

uniforme sur {1, . . . , K}.

Proposition 19. La loi de N est donnée par

K
X
N ∼ P( λk ) .
k=1

La loi de Nκ est donnée par

ÅX
K ã
Nκ ∼ MP δλk /K
k=1

43
Remarque 2. La deuxième identité signifie que le nombre de sinistres d’un risque
tiré au hasard parmi un ensemble de risques poissoniens inhomogènes suit un
mélange de lois de Poisson. Ainsi, pour un ensemble de risques, comme un porte-
feuille d’assurance, pouvant être considéré comme constitué par tirage au hasard
parmi la totalité des risques de même nature, comme tous les assurés d’un pays
pour ce type de risque, les nombres de sinistres pour ces risques étant poissoniens
mais inhomogènes, il est raisonnable de considérer que les nombres de sinistres
de cet ensemble de risques sont des variables aléatoires indépendantes et identi-
quement distribuées de loi un mélange de lois de Poisson.

5.5 Modèle des fréquences liées de Delaporte

On considère dans cette section un seul risque observé à plusieurs dates t =
1, 2, . . . et on note N (t) le nombre de sinistres ayant lieu à la date t. Notre but est
de prédire le nombre de sinistres N (t + 1) ayant lieu à la date t + 1 lorsqu’on a
connaissance de N (1), . . . , N (t). Cette prédiction nous permet alors de proposer
un tarif à postériori (ou tarif bonus-malus).
Le principe est le suivant : on prédit N (t + 1) par la quantité

E[N (t + 1)|N (1), . . . , N (t)] .

On calcul ensuite la prime pure en multipliant cette quantité par le coût moyen
d’un sinistre. Ainsi, l’indice de fréquence It défini par

E[N (t + 1)|N (1), . . . , N (t)]

It (n1 , . . . , nt ) =
E[N (t + 1)]

représente le rapport entre la prime pure à postériori et la prime pure classique.

Hypothèses du modèle. Le modèle des fréquences liées de Delaporte suppose

qu’il existe une variable aléatoire Λ ∼ γ(a, b) telle que conditionnellement à Λ =
λ les variables aléatoires N (1), . . . , N (t + 1) sont IID de loi P(λ).

Sous cette hypothèse, nous avons alors le résultat suivant.

44
Proposition 20. Sous les hypothèses du modèle de Delaporte, les variables aléa-
1
toires sont identiquement distribuées de loi N B(a, b+1 ) et elles sont corrélées. Le
coefficient de corrélation ρ est donné par
1 1
ρ(N (r), N (s)) = = .
1+ E[Λ]
σ 2 (Λ)
b+1

pour r, s ∈ {1, . . . , t + 1} avec r 6= s. De plus l’indice de fréquence est donné par

1 + (n1 + · · · + nt )/a
It (n1 , . . . , nt ) = .
1 + t/b

45
Chapitre 6

Lois composées et modèle collectif

Le but de ce chapitre est de présenter et d’étudier les propriétés d’une classe

de lois contenant les lois de sinistres cumulés dans le modèle collectif.
Dans la suite, on note X une variable aléatoire à valeurs dans [0, +∞[ re-
présentant le le coût d’un sinistre, PX sa loi de probabilité, FX sa fonction de
répartition, fX sa densité par rapport à une mesure lorsqu’elle existe et LX sa
fonction génératrice des moments.
On note aussi N une variable aléatoire à valeurs dans N représentant le nombre
de sinistres d’un ensemble de risques, PN = (pn , n ∈ N) sa loi de probabilité, et
gN sa fonction génératrice.

6.1 Définition d’une loi composée, loi d’un modèle

collectif
Définition 14. Une loi P sur [0, +∞[, de fonction de répartition F est une loi
composée si elle vérifie :

pn FX⊗n
X
F =
n≥1

pour deux variables aléatoires N et X. Cette loi est alors notée LC(PN , PX ).
Il est également possible de calculer la fonction de répartition du montant
cumulé S en fonction de la fonction de répartition FY des Yk et de la loi de N .

46
Proposition 21. Soit N, X1 , X2 , . . . des variables aléatoires indépendantes telles
que X1 , X2 , . . . soient IID de loi PX et de fonction de répartition FX . Alors la
PN
variable n=1 Xk suit une loi LC(PN , PX ). En particulier dans le modèle collectif
de risque N , (Yk )k≥1 , avec montant cumulé des sinistres S = Y1 + . . . + YN nous
avons

pn FY⊗n
X
FS = (6.1)
n≥1

6.2 Densité, moments et fonction génératrice d’une

loi composée
Proposition 22. Soit N, X1 , X2 , . . . des variables aléatoires indépendantes telles
que X1 , X2 , . . . soient IID de loi PX . Posons
N
X
S = Xk .
n=1

(i) La fonction génératrice de S est donnée par

LS (θ) = gN (LX (θ)) , θ ∈] − ∞, 0] .

(ii) Si E[N ] < ∞ et E[X] < ∞ alors

E[S] = E[N ]E[X] .

(iii) Si E[N 2 ] < ∞ et E[X 2 ] < ∞ alors

V ar[S] = E[N ]V ar[X] + V ar[N ]E[X]2 .

(iv) Si E[N 3 ] < ∞ et E[X 3 ] < ∞ alors

µ3 [S] = E[N ]µ3 [X] + 3V ar[N ]E[X]V ar[X] + µ3 (N )E[X]3 .

Remarque 3. Lorsque la loi PX admet une densité par rapport à la mesure de

Lebesgue sur ]0, +∞[, il n’en est pas de même pour la loi composée LC(PN , XN )
lorsque P(N = 0) > 0 (ce qui est la situation générale en assurance). En effet,
on a

P(S = 0) ≥ P(N = 0) > 0 .

47
 On peut en revanche répondre par l’affirmative dans le cas discret.

Proposition 23. Supposons que la loi PX admet une densité fX par rapport à la
mesure de comptage sur N. Alors S admet une densité fS par rapport à la mesure
de comptage sur N qui est donnée par

pn fX⊗n (k) ,
X
fS (k) = k∈N.
n∈N

6.3 Loi de type Poisson composé

Nous considérons maintenant une composition particulière faisant intervenir
la loi de Poisson. Nous notons dans a suite PC(λ, PX ) pour LC(P(λ), PX ).

Proposition 24. Pour λ ∈]0, +∞[ et PX admettant une densité fX par rapport à
la mesure de comptage sur N, la loi LC(λ, PX ) admet pour densité
X −λ λn ⊗n
fLC(λ,PX ) (k) = e f (k) X , k∈N.
n∈N n!

Nous passons aux moments de cette loi.

Proposition 25. La fonction génératrice de LC(λ, PX ) est donnée par

Ä ä
LLC(λ,PX ) (θ) = exp − λ(1 − LX (θ) , θ ∈] − ∞, 0] .

Nous pouvons également en déduire les premier moments de cette loi à partir
des résultats de la section précédente :
(i) La fonction génératrice de S est donnée par

LS (θ) = gN (LX (θ)) , θ ∈] − ∞, 0] .

(ii) Si E[X] < ∞ alors

E[S] = λE[X] .

(iii) Si E[X 2 ] < ∞ alors

V ar[S] = λV ar[X] + V ar[N ]λ2 .

48
(iv) Si E[X 3 ] < ∞ alors
µ3 [S] = λE[X 3 ] .

Nous nous intéressons maintenant à la propriété d’addition et de décomposition

des risques que possède les lois de type poisson composées.
Proposition 26. Considérons deux risques de montants des sinistres cumulés S1
et S2 . Supposons que S1 et S2 sont indépendant et que
Si ∼ PC(λi , Fi ) , i ∈ {1, 2} ,
où F1 et F2 désignent des fonctions de répartitions. Alors le cumul des sinistres
S = S1 + S2 suit également une loi de Poisson composée donnée par
Å
λ1 F1 + λ2 F2 ã
S ∼ PC λ1 + λ1 ,
λ1 + λ2
Démonstration. Calculer la fonction génératrice de S1 + S2 . 2
PN
Proposition 27. Considérons le modèle collectif S = n=1 Xn . Considérons
∪L`=1 C` une partition de R+ . Notons
N
X
S` = Xn 1C` (Xn ) , ` = 1, . . . , L .
n=1

Supposons que S ∼ PC(λ, F ). Alors les variables S` sont indépendantes et

S` ∼ PC(λP(Xn ∈ C` ), F` ) , ` = 1, . . . , L ,
où les fonctions de répartition F` sont définies par
F` (x) = P(Xn ≤ x | Xn ∈ C` ) x∈R
pour tout ` = 1, . . . , L.
Démonstration. Travailler conditionnellement à N = 1 permet de montrer que
les Xn ont pout fonction de répartition F . On en déduit la loi des Xn 1C` (Xn ) et
donc la loi des S` . L’indépendance se montre en calculant la fonction génératrice
de la somme. 2
Proposition 28. Considérons une variable aléatoire N ∼ P(λ). Supposons que
N = N1 + · · · + Nm où L((N1 , . . . , Nm )|N = n) = M(n, q1 , . . . , qm ). Alors les Ref :
variables aléatoires (N1 , . . . , Nm ) sont indépendantes de loi Ni ∼ P(λqi ) pour DC
i = 1, . . . , m Tome
1 p98,
49 voir si
on le
pré-
sente
Application : cas d’une franchise. Lorsqu’une franchise est prévu dans le contrat,
l’assureur couvre l’intégralité du dommage uniquement s’il excède le montant de
cette franchise. Dans le cas où cette franchise est de niveau κ et que le montant du
sinistre est représenté par une variable aléatoire X et le montant de l’indemnité
est représenté par la variable aléatoire Y donnée par

Y = X1X≥κ .

Dans ce cas, deux types de sinistres apparaissent. En supposant que le nombre

N de sinistres suit une loi P(λ), s’il y a indépendance mutuelle entre le nombre
et les coûts des sinistres, le nombre Ñ de sinistres déclarés (donnant lieu à une in-
demnisation) suit une loi P(λq) où q est la probabilité pour qu’un sinistre dépasse
la franchise κ.

50
Chapitre 7

Approximation de la probabilité de
ruine dans le modèle collectif

7.1 Approximation de la probabilité de ruine

Etant donné que l’assureur ne connaît pas précisément la loi de probabilité
qu’il fasse défaut, il est intéressant pour lui d’approcher cette loi.
Considérons une famille paramétrée de loi de probabilité {Pθ : θ ∈ Θ} sur
R à laquelle sera associée la famille de fonction de répartitions {Fθ : θ ∈ Θ}
définies par

Fθ (x) = Pθ (] − ∞, x]) , x∈R.

Lorsqu’elles existent la moyenne et la variance de Pθ seront respectivement notées

mθ et σθ2 .
Etant donnée une fonction de répartition F et une classe de fonction H, il est
naturel de recherché l’élément de la famille {Fθ : θ ∈ Θ} le plus proche de F au
sens où il est solution du problème
Ç Z Z å
 
inf sup  h(x)dF (x) − h(x)dG(x) . (7.1)
θ∈Θ h∈H R R

Dans le cas où Θ ⊂ R2 , F correspond à une loi de probabilité admettant un

moment d’ordre 2 et que l’ensemble H est celui de polynômes de degrés 2, ce

51
problème se ramène à un calcul de moment comme le montre la proposition sui-
vante.
Proposition 29. Soit une fonction de répartition F de moyenne m et de variance
σ 2 finie et non nulle. Pour H l’ensemble des fonctions polynômes de degré 2 sur
R, le problème (7.1) admet une solution unique telle que l’infimum est nul si et
seulement si le système mθ = m et σθ2 = σ 2 admet une unique solution.
Nous sous intéressons maintenant à deux approximations par des familles de
lois particulières : les lois normale et gamma.

Approximation normale. Pour un réel m et un réel strictement positif σ 2 la loi

normale N (m, σ 2 ) est la loi de fonction de répartition fN (m,σ2 ) donnée par
Z y
1 −(x−µ)2
FN (µ,ν 2 ) (y) = √
e 2ν 2 dx
−∞ 2πσ 2
Toujours dans le cas où le famille H est l’ensemble des polynômes de degré 2,
nous avons le résultat suivant.
Proposition 30. Pour la famille de lois normale {FN (µ,ν 2 ) : (µ, ν 2 ) ∈ R × R∗+ },
le système mθ = m et σθ2 = σ 2 admet une unique solution dès que σ 2 > 0. Cette
solution est donnée par

µ = m et σ2 = ν 2 .

L’approximation obtenue est appelée approximation normale de la fonction de

répartition F .
Cette approximation est alors utile pour approcher la probabilité de ruine.
Définition 15. Considérons un ensemble de risque cumulé S de fonction de ré-
partition FS , de prime pure E[S] et de variance σ 2 (S) finie et non nulle. Lors-
qu’un chargement de sécurité η > 0, une réserve de solvabilité R > 0 et une
réassurance proportionnelle de taux de rétention α ∈]0, 1] sont appliqués, l’ap-
proximation normale de la probabilité de ruine est donnée par
Ñ Ç åé
E[S] R
Pruine ≈ 1 − Φ » η+
2
σ (S) αE[S]
où Φ désigne la fonction de répartition de la loi N (0, 1).

52
Approximation gamma. Pour deux réels a et b strictement positifs la loi nor-
male γ(a, b) est la loi de fonction de répartition donnée par
ba a−1 −by
Z max{0,x}
Γ(a, bx) = y e dy
0 Γ(a)
R ∞ a−1 −y
où Γ(a) = 0 y e dy.
Toujours dans le cas où le famille H est l’ensemble des polynômes de degré
2, nous avons le résultat suivant.

Proposition 31. Pour la famille de lois gammas {γ(a, b) : (a, b) ∈ R∗+ × R∗+ }, le
système mθ = m et σθ2 = σ 2 admet une unique solution dès que m > 0 et σ 2 > 0.
Cette solution est donnée par
m2 m
a = et b = .
σ2 σ2
L’approximation obtenue est appelée approximation gamma de la fonction de
répartition F .

Cette approximation est alors utile pour approcher la probabilité de ruine.

Définition 16. Considérons un ensemble de risque cumulé S de fonction de ré-

partition FS , de prime pure E[S] et de variance σ 2 (S) finie et non nulle. Lors-
qu’un chargement de sécurité η > 0, une réserve de solvabilité R > 0 et une
réassurance proportionnelle de taux de rétention α ∈]0, 1] sont appliqués, l’ap-
proximation gamma de la probabilité de ruine est donnée par
Ç Ç åå
E[S]2 E[S] R
Pruine ≈ 1−Γ 2
, 2 (1 + η)E[S] + .
σ (S) σ (S) α

Nous nous concentrons dans la suite sur l’approximation normale. Nous pré-
sentons un résultats permettant de mesurer la qualité de cette approximation.
PK
Théorème 4 (Inégalité de de Berry-Esseen). Si S = k=1 Sk , avec les variables
Sk i.i.d. et admettant un moment d’ordre 3 fini, alors, en posant C = C(S1) =
E[|S1 − E[S1 ]|3 ], nous avons la majoration suivante
Å
x − E[S] ã 3C 1
 
sup FS (x) − Φ » √

≤
x∈R σ 2 (S)

σ 2 (S1 )3/2 K
pour tout K ∈ N∗ .

53
Remarque 4. Notons que le membre de gauche de l’inégalité de de Berry-Esseen
est toujours inférieur à 1. Ainsi cette inégalité apporte (presque) pas d’informa-
tion lorsque le coefficient d’asymétrie γ(S1 ) = C/σ(S1 )3 est du même ordre de
grandeur que 1. Cette situation se retrouve fréquemment en assurance du fait de
la forte asymétrie des lois qui y interviennent. Ainsi pour pouvoir juger de la qua-
lité de l’approximation normale il faut d’abord calculer ou estimer le coefficient
d’asymétrie γ1 (S1 ).

Nous présentons maintenant un résultat permettant d’estimer la queue de dis-

tribution et donc la probabilité de ruine.
PK
Théorème 5 (Inégalité de Markov exponentielle). Si S = k=1 Sk , avec les va-
riables Sk i.i.d. et admettant un moment exponentiel fini i.e. il existe θ > 0 tel que
LS1 (θ) < +∞, alors, en posant

h(a) = sup (aθ − ln LS1 (θ)) , a ∈ R,

θ∈R

nous avons la majoration suivante

P(S > Ka) ≤ e−Kh(a)

pour tout K ∈ N∗ et tout a > E[S1 ].

Démonstration. 2

Remarque 5. Le résultat précédent n’est utile que lorsque h+ (a) > 0. Par exemple
lorsque LP (θ) = +∞ pour tout θ > 0 il est facile de voir que h+ (.) = 0 et le
majorant est trival puisqu’il vaut 1.

7.2 Développement d’Edgeworth et amélioration de

l’approximation normale
Théorème 6. Considérons des variables Sk , k ≥ 1, i.i.d. et admettant un moment
PK
d’ordre 3 fini et posons S = k=1 Sk . Lorsque P(S ∈ aZ + b) < 1 pour tout a et

54
b réels, nous avons
Å ã Å Å ã2 ã Å ã
 
√ 
x − E[S] γ1 (S 1 ) x − E[S] x − E[S]
K sup FS (x) − Φ » 1− » φ »
 
−  → 0
x∈R  σ 2 (S) 3! σ 2 (S) σ 2 (S) 


lorsque K → +∞. Lorsqu’il existe des réels a et b tels que P(S ∈ aZ + b) = 1,

et en choisissant a strictement positif et le plus grand possible, la convergence
précédente reste vraie à condition de prendre le supremum sur aZ + b + a/2 au
lieu de R.

Ce résultat est admis.

Nous terminons par la présentation d’une nouvelle approximation améliorant
le développement d’Edgeworth pour des valeurs extrêmes. Cette approximation
est appelée approximation normale améliorée et donnée par
Ñ Ã é
−3 9 6(x − E[S])
FS (x) ≈ Φ + +1+ »
γ1 (S) γ1 (S)2
γ1 (S) σ 2 (S)

pour tout x ∈ R.

7.3 Algorithme de Panjer

PN
Théorème 7. Considérons le modèle collectif S = k=1 Yk , avec N ∼ P(λ) où
λ > 0 et les Yk sont i.i.d. et vérifient P(Yk ∈ N) = 1. Alors en notant fS et fY
les densités respectives de S et de Yk par rapport à la mesure de comptage, nous
avons

fS (0) = e−λ(1−fY (0))

et
n
λX
fS (n) = kfY (k)fS (n − k)
n k=1

pour tout n ∈ N∗ .

Démonstration. La preuve se déroule en 3 étapes.

55
 — La première étape consiste à montrer que que
n
X j
E[Y1 | Yk = j] =
k=1 n

pour n ∈ N∗ et j ∈ {1, . . . , n}.

— La seconde étape consiste à prouver la relation
n ⊗(n−1)
X fY (k)fY (j − k)
P(U1 = k| Yk = j) = ⊗(n−1)
k=1 fY (k)

— La combinaison des deux étapes précédentes permet d’obtenir la relation

de Panjer.

2
L’algorithme de Panjer peux également s’utiliser lorsque les variables aléa-
toires Yk admettent une densité par rapport à la mesure de Lebesgue. Dans ce cas
il faut discrétiser ces variables aléatoires en choisisant un paramètre de discrétisa-
tion δ > 0. On considère alors les nouvelles variables Yk0 définies par

Yk0 =
X
`1[δ`,δ(`+1)[ (Yk ) .
`∈Z

Nous pouvons alors appliquer l’algorithme de Panjer pour trouver la densité par
rapport à la mesure de comptage sur δZ.

56
Chapitre 8

Crédibilité

8.1 Hétérogénéité des risques

Dans son portefeuille d’assurance, l’assureur souhaite en général différencier
les primes qu’il demande à ses assurés. En effet, certains assurés ayant moins de
sinistres que les autres risque de ne pas renouveler leurs contrats s’ils constatent
qu’il payent une prime élevée par rapport à leur risque (phénomène d’antiselec-
tion). L’assureur peut donc utiliser l’historique de chaque assuré pour calculer
une prime qui correspond à sont risque. C’est l’objet de la théorie de la crédibi-
lité. Nous nous restreignons dans ce chapitre à un modèle simple où la prime à
calculer est une fonction affine des sinistres passés de l’assuré. Ce modèle est du
à Hans Buhlmann et date des années 60.

8.2 Modèle de crédibilité de Buhlmann

On considère un portefeuille contenant K contrats d’assurance et on note
Sk (s) le montant du sinistre à la date s pour le contrat k. Le modèle de Buhmann
fait les hypothèses suivantes.

Hypothèse 1. (i) Chaque contrat k est caractérisé par un un paramètre de

risque inconnu représenté par une variable aléatoire Λk à valeurs dans R+

57
 et les K vecteurs

(Λk , Sk (1), Sk (2), · · · ) k ∈ {1, · · · , K}.

sont IID.
(ii) Conditionnellement à Λk = λ, les v.a. Sk (1), Sk (2), · · · sont IID de fonction
de répartition Gλ .
(iii) Les deux premiers moments
Z Z
µ(λ) = xdGλ (x) et σ 2 (λ) = (x − µ(λ))2 dGλ (x)
R+ R+

existent.

Le modèle de Buhlmann propose de se limiter aux primes dépendant linéaire-

ment des sinistralités passée. Plus précisément l’assureur exigera pour le contrat
k une prime à la date t + 1 donnée par

c0 + c1 Sk (1) + · · · + ct Sk (t)

où les coefficients ci sont choisis de manière à minimiser l’écart quadratique

moyen
î ó
E (µ(Λi ) − c0 − c1 Sk (1) − · · · − ct Sk (t))2

Afin de déterminer la prime, nous introduisons les paramètres de structure sui-

vante

Σ2 = E[σ 2 (Λi )] et M 2 = σ 2 (µ(Λi )) .

Théorème 8. Dans le modèle de Buhlmann, la prime pk pour le contrat k est

donnée par
t Å ã
1X
pk = αE[Sk (1)] + (1 − α) Sk (s)
t s=1
où
tM 2
α =
Σ2 + M 2

58
Démonstration. La condition du premier ordre nous donne
t
X
µ(1 − cs ) = c0
s=1

et
î Ä äó
E Sk (s) µ(Λk ) − c0 − c1 Sk (1) − · · · − c1 Sk (t) = 0,

pour s = 1, 2, . . . , t. En calculant

Cov(Sk (r), Sk (s)) = 1s,r Σ2 + M 2 et Cov(Sk (r), µ(Λk )) = M 2

nous obtenons pour les t dernières équations :

Å t
X ã
µ 1− cs − c0 = 0
s=1

et
t
M 2 − cr Σ2 − M 2
X
cs = 0
s=1

M2 2
On en déduit que c1 = c2 = · · · = ct = Σ2 +tM 2
Σ
et c0 = µ Σ2 +tM 2. 2

8.3 Estimation des paramètres de structure

Estimation de la moyenne. Pour la police k on définit l’estimateur la moyenne
µ̂k de E[Sk (1)] par
t
1X
µ̂k = Sk (s) .
t s=1

Estimation de Σ2 . Pour la police k on définit l’estimateur σ̂k2 de la variance par

t
1 X
σ̂k2 = (Sk (s) − µ̂k )2 .
t − 1 s=1

L’estimateur de Σ2 est alors donné par

K
1 X
Σ̂ = σ2 .
K k=1 k

59
Estimation de M 2 . Pour la police k on définit l’estimateur M̂ 2 de M 2 par
K K
1 X 1 X Σ̂2
M̂ 2 = (µ̂k − µ̂` )2 − .
K − 1 k=1 K `=1 t

60
Chapitre 9

Introduction à l’assurance vie

Nous présentons dans cet chapitre l’étude des contrats de type assurance vie
dont il est fait référence dans l’introduction. Comme son nom l’indique, ce type
d’assurance concerne les contrats où l’indemnisation de l’assuré dépend de son
état (vivant ou décédé) à la maturité. Il s’agit donc de contrat d’assurance en cas
de vie ou de décès.
L’aléa de ce type de contrat est alors la durée de vie de l’assuré qu’il faut es-
sayer d’estimer. Cette variable peut être estimée à l’aide de variables explicatives :
age, sexe, catégorie socio-professionnelle...
Une fois la durée de vie estimée, il y a une autre variable qui induit un risque.
En effet, dans ce type de contrat, les échéance considérées sont longue. Le montant
de l’indemnisation est alors fortement dépendant des taux d’intérêt proposés par
les marchés. Ces taux sont eux aussi une source d’aléa qui engendre un risque
appelé risque de taux.
La tarification de ce type de contrat repose alors sur deux points : la prévision
du taux et la prévision de la mortalité. Dans ce chapitre nous nous intéressons
uniquement à la prévision de la mortalité et nous supposons la prévision de taux
donnée.

61
9.1 Définition et premiers résultats
Notons Tx la durée de vie d’un individu à l’âge x i.e. le temps qu’il reste à
vivre à l’individu lorsque son âge est x. Ainsi T0 est la durée de vie à la naissance.
T0 et Tx sont alors des variables aléatoires avec T0 à valeurs dans ]0, ω[ où ω
désigne l’âge limite (120 ans) et Tx n’est définie que sur l’ensemble {T0 > x}.
Les calculs faisant intervenir Tx seront donc fait conditionnellement à l’évè-
nement {T0 > x} = {Tx > 0}.
Nous supposons dans la suite que T0 satisfait les hypothèses classiques sui-
vantes.

Hypothèse 2. (i) T0 admet la densité f par rapport à la mesure de Lebesgue.

(ii) f (x) > 0 pour tout x ∈]0, ω[ et f (x) = 0 pour tout x ∈] − ∞, 0] ∪ [ω, +∞[.
(iii) f est continue.

On note F la fonction de répartition de T0 :

F (t) = P(T0 ≤ t) , t∈R.

Proposition 32. La fonction de répartition F vérifie les propriétés suivantes :

F (t) = P(T0 ≤ t) , t∈R ,

Z t
F (t) = f (x)dx , t ∈ [0, ω] ,
0

F est dérivable et F 0 (t) = f (t) pour tout t ∈ [0, ω] et F 0 (t) = 0 pour tout
t∈
/ [0, ω].

Théorème 9. Soit x ∈]0, ω[.

(i) Conditionnellement à {Tx > 0}, Tx admet la densité fx donnée par
f (x + t)
fx (t) = 1]0,ω−x[ , t∈R.
1 − F (x)
(ii) La fonction de répartition Fx définie par Fx (.) := P(Tx ≤ .|Tx > 0) sur R+
est donnée par
F (x + t) − F (x)
Fx (t) = , t ∈ R+ .
1 − F (x)

62
 Nous présentons maintenant des notations particulières à l’assurance vie.

Définition 17. Le taux de survie à l’âge x pour 1 an est donné par

px = P(Tx > 1|Tx > 0) .

Le taux de décès à l’âge x pour 1 an est donné par

qx = P(Tx ≤ 1|Tx > 0) .

Nous avons bien entendu px + qx = 1. Le taux de survie s’estime en général

de la façon suivante :
Nombre de survivants à l’âge x + 1
px ≈
Nombre de survivants à l’âge x

Ces quantités constituent ce que nous appellerons dans la suite table de mortalité.

Proposition 33. Nous avons les égalités suivantes

1 − F (x + 1)
px = 1 − Fx (1) = ,
1 − F (x)
F (x + 1) − F (x)
qx = Fx (1) = .
1 − F (x)

Nous généralisons maintenant la définition de px et qx .

Définition 18. Pour t, x ≥ 0 tels que t + x ≤ ω, le taux de survie à l’âge x pour

une période t est donné par

t px = P(Tx > t|Tx > 0) ,

et le taux de décès à l’âge x pour une période t est donné par

t qx = P(Tx ≤ t|Tx > 0) .

Proposition 34. Pour x, s, t ≥ 0 tels que x + s + t ≤ ω nous avons

s+t px = t px × s px+t .

63
Définition 19. On appelle table de mortalité l’ensemble {`x , x ∈ {0, . . . , ω}}
avec `x le nombre de survivant à l’âge x dans une population dont tous les indi-
vidus sont soumis aux mêmes conditions de mortalité.

Notons que
— `x prend des valeurs entières,
— `x est décroissant en x,
— `ω = 0.
En général ces donnée sont prises pour une population de 100 000 individus :
`0 = 100 000.

Définition 20. Le taux instantané de mortalité à l’âge x est défini par

P(x < T0 ≤ x + h)
µx = lim .
h↓0 hP(x < T0 )

− ∂ ∂s
t px 

Proposition 35. (i) µx =  .
t=0

∂ ln s px 
(ii) µx+t = − ∂s  .
s=t
(iii) la densité de durée de vie est égale au produit de la probabilité de survie et
du taux instantané de mort :

fx (t) = t px × µx+t .
Å ã
R x+t
(iv) t px = exp − x µy dy .

Nous nous intéressons maintenant à l’espérance de la durée de vie à l’âge x.

Définition 21. L’espérance de la durée de vie à l’âge x notée ėx est définie par
î ó
ėx = E Tx |Tx > 0 .

Nous introduisons également la durée de vie effective Kx qui est la partie

entière de Tx et ex l’espérance de vie effective définie par
î ó
ex = E Kx |Tx > 0 .

64
Proposition 36. Nous avons les égalités suivantes :
ω−x−1
X
ex = k px
k=1

et
ω−x−1
σ 2 (Kx |Tx > 0) = 2 k k px − e2x − ex
X

k=1

9.2 Assurance en cas de vie

On considère dans cette section un contrat d’assurance vie selon lequel l’as-
suré reçoit à chaque période un montant fixé au départ (pouvant éventuellement
être différent à chaque date) s’il est encore en vie. Les montants payés sont appelés
annuités viagères.
Il existe pour ce type de contrat différentes modalités fixant les règles d’in-
demnisation dont voici les principales :
— paiement de l’annuité viagère par avance ou à terme échu,
— le paiement est fractionné où non,
— le paiement est différé (d’un certain nombre d’année) ou non,
— la durée du contrat.
Pour simplifier notre propos, nous supposons que le taux d’intérêt est fixé et nous
le noterons i.
Nous introduisons alors deux notions correspondants à la valeur d’indemnisa-
tion.

Définition 22. (i) La valeur actuelle aléatoire notée VAA est le montant (aléa-
toire) actualisé de l’indemnisation reçu par une tête d’âge.
(ii) La valeur actuelle probable notée VAP est l’espérance du montant actualisé
de l’indemnisation reçu par une tête d’âge.

Nous nous limiterons dans la suite aux contrats indemnisant un montant uni-
taire à chaque période.
Nous considérons dans la suite deux type de contrat d’assurance vie : les
contrats avec annuités payables d’avance et ceux payables à termes échus.

65
9.2.1 Annuités payables d’avance sur la vie entière
Contrat non différé et permanent. Dans ce type de contrat, l’assuré reçoit un
montant unitaire à chaque début d’année s’il est encore en vie. Pour une tête d’age
x la VAA notée Ẅx est donnée par
ω−x−1
X 1
Ẅx = 1T >k .
k=0 (1 + i)k x

Nous en déduisons pour cette même tête d’age, la VAP notée Q̈x :
ω−x−1
X 1
Q̈x = E[Ẅx |Tx > 0] = P(Tx > k|Tx > 0) .
k=0 (1 + i)k
Ce qui donne
X Å
ω−x−1
1 ãk
Q̈x = k px .
k=0 1+i
Nous pouvons également calculer la variance de la VAA :
X Å
ω−x−1
1 ãk
V ar(Ẅx |Tx > 0) = k px (1 − k px )
k=0 1+i
Å
ω−x−1
X 1 ãk1 +k2
+2 k2 px (1 − k1 px ) .
0≤k1 <k2 ≤ω−x−1 1+i

Contrat différé et temporaire. Il est également possible de considérer le contrat

différé de m année(s) et temporaire de n années. Cela signifie que l’assuré est
indemnisé d’un montant unitaire chaque année entre les dates m et m + n − 1 (en
fixant la date de signature du contrat en 0) tant qu’il est vivant. Il faut bien sûr
imposer dans cas m + n ≤ ω − x.
Pour une tête d’age x, la VAA notée m|n Ẅx est donnée par
m+n−1
X 1
m|n Ẅx = 1T >m .
k=m (1 + i)k x

La VAP pour cette même tête d’age notée m|n Q̈x vérifie
m+n−1
X 1
m|n Q̈x = E[m|n Ẅx |Tx > 0] = .
k=m (1 + i)k

66
9.2.2 Annuités à terme échu sur la vie entière
Nous nous intéressons maintenant aux contrats où l’indemnisation se fait à
terme échu : l’assuré ne reçoit une indemnisation pour l’année t que s’il a été
vivant pendant toute l’année.

Contrat non différé et permanent. Pour une tête d’age x la VAA notée Wx est
donnée par
ω−x−1
X 1
Wx = 1T >k = Ẅx − 1 .
k=1 (1 + i)k x
Nous en déduisons pour cette même tête d’âge, la VAP notée Qx :
X Å
ω−x−1
1 ãk
Qx = E[Wx |Tx > 0] = k px = Q̈x − 1 .
k=1 1+i

Contrat différé et temporaire. Il est également possible de considérer le contrat

différé de m année(s) et temporaire de n années avec annuités à terme échu.
Dans ce cas, la condition à vérifier est m + n ≤ ω − x − 1.
Pour une tête d’âge x, la VAA notée m|n Ẅx est donnée par
m+n
X 1
m|n Wx = 1
k Tx >m
.
k=m+1 (1 + i)

La VAP pour cette même tête d’âge notée m|n Qx vérifie

m+n
X 1
m|n Qx = E[m|n Wx |Tx > 0] = k
.
k=m+1 (1 + i)

Nous avons alors la relation suivante :

1 1
m|n Qx = m+1|n Q̈x = m|n Q̈x − m px m
+ m+n px .
(1 + i) (1 + i)m+n

9.3 Assurance en cas de décès

Dans ce type de contrat l’assureur s’engage à payer un capital unité au décès
de l’assuré. Il s’agit donc d’un paiement à terme échu. Nous supposons dans cette
section que pour une tête d’âge x nous avons Tx = Kx presque surement (notons
que dans ce cas l’hypothèse de densité n’est plus satisfaite).

67
Contrat permanent et non différé. Dans ce type de contrat la VAA pour une
tête d’âge x prend la forme suivante :
ω−x−1
X Ä 1 äj+ 21 Ä 1 äKx + 1
2
Wx = 1j<Tx ≤j+1 = .
j=0 1+i 1+i

La VAP notée Ax pour une tête d’âge x est alors donnée par :
X Ä
ω−x−1
1 äj+ 21
Ax = E[Wx |Tx > 0] = j px qx+j .
j=0 1+i

On en déduit également l’expression de sa variance

ïÄ
1 ä2Kx +1 ò
σ 2 (Wx |Tx > 0) = E − A2x
1+i

Contat temporaire et différé. il est également possible de considérer comme

dans la section précédente un contrat différé de m année(s) et périodique de n
année(s). Dans ce type de contrat la VAA pour une tête d’âge x prend la forme
suivante :
Ä 1 äj+ 12 Ä 1 äKx + 1
2
m|n Wx = 1m<Tx ≤m+n+1 = .
1+i 1+i
La VAP notée m|n Ax pour une tête d’âge x est alors donnée par :
X Ä
m+n
1 äj+ 12
m|n Ax = E[m|n Wx |Tx > 0] = j px qx+j .
j=m 1+i

Remarque 6. Il est également possible de considérer des contrats mixtes où l’in-

dividu est indemnisé s’il décède ou non.

9.4 Provisions
Une provision mathématique est une provision de numéraire nécessaire à la
couverture d’un engagement pris par un assureur vis à vis des assurés ayant sous-
crit un contrat d’assurance vie. Le calcul des provisions est donc très important
pour l’assureur. Notons que ce calcul est encadré par la règlementation. Nous pré-
sentons dans cette section le calcul des provision mathématiques pour un contrat
d’assurance vie.

68
 Considérons alors un individu d’âge x ayant souscrit un contrat temporaire de
n années. Nous cherchons à calculer la provision mathématique de l’année k pour
k ∈ {1, . . . , n − 1}.
Notons π la prime pure unique et P la prime pure annuelle payable tant que
l’assuré est vivant. Nous avons alors la relation :

P n Q̈x = π ,

où pour simplifier nous avons noté n Q̈x pour 0|n Q̈x i.e. la VAP du contrat non
différé.
La quantité π est aussi appelée prime actuariellement juste puisqu’elle cor-
respond à la prime qui permet d’équilibrer les comptes en moyenne.
Fixons maintenant k ∈ {1, . . . , n − 1}, et décomposons le temps en deux
périodes :
— période I entre 0 et k,
— période II après k.
En notant πI et πII les primes périodiques respectives nous avons :

πI = P k Q̈x et πII = P k|n−k Q̈x

Si bien que π = πI + πII .

En notant EI et EII l’engagement de l’assureur (i.e. la quantité moyenne de
l’indemnisation) sur les périodes I et II nous avons EI = k Q̈x et EII = k|n−k Q̈x .
Ainsi en chargeant la prime P i.e. en prenant P > 1, l’assureur se garantit
une marge. La quantité PI − EI est alors appelée provision mathématique de
l’année k vue l’année 0.

69
Bibliographie

[1] B. Denuit et A. Charpentier (2010) Mathématiques de l’assurance non-vie I.

Economica.
[2] B. Denuit et A. Charpentier (2010) Mathématiques de l’assurance non-vie II.
Economica.
[3] S. Loisel (2002) Cours de gestion des risques d’assurances et de th ?eorie de
la ruine, Troisème année ISFA, 41, 404-424.
[4] D. Pierre-Loti-Viaud (2008) Actuariat Introduction. Notes de cours.
[5] D. Pierre-Loti-Viaud et P. Boulongne (2014) Mathématique de l’assurance,
premiers éléments. Ellipse, 56 (6), 1907-1911.

70