Chapitre I Théorie de la ruine Olivier Wintenberger ISUP 2, Université Paris VI (slides Olivier Lopez) Année universitaire 2013-2014 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité de ruine 4 Calculs de probabilités de ruine Calculs de probabilités de ruine Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Outline 1 Risque collectif Définitions et hypothèses simplificatrices Modélisation du nombre de sinistres 2 Modélisation des coûts de sinistres 3 Probabilité de ruine 4 Calculs de probabilités de ruine Calculs de probabilités de ruine Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Définitions et hypothèses simplificatrices Risque collectif pour l’assureur On note Xi le i−ème sinistre pour l’assureur Entre une date 0 et une date t, il y a N(t) sinistres. Coût global pour l’assureur On s’intéresse à S(t) = X1 + ... + XN(t) . Dans le cas t = 1, on notera S(1) = S et N(t) = N. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Définitions et hypothèses simplificatrices Risque collectif pour l’assureur On note Xi le i−ème sinistre pour l’assureur Entre une date 0 et une date t, il y a N(t) sinistres. Coût global pour l’assureur On s’intéresse à S(t) = X1 + ... + XN(t) . Dans le cas t = 1, on notera S(1) = S et N(t) = N. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Définitions et hypothèses simplificatrices Hypothèses simplificatrices Dans un modèle simple (considéré dans ce chapitre), on suppose les Xi i.i.d. On suppose que le processus (N(t))t∈R+ est indépendant des Xi . Question : calculer E[S(t)] en fonction de E[X1 ] et E[N(t)]. Que pensez-vous de ces hypothèses ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Définitions et hypothèses simplificatrices Hypothèses simplificatrices Dans un modèle simple (considéré dans ce chapitre), on suppose les Xi i.i.d. On suppose que le processus (N(t))t∈R+ est indépendant des Xi . Question : calculer E[S(t)] en fonction de E[X1 ] et E[N(t)]. Que pensez-vous de ces hypothèses ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Définitions et hypothèses simplificatrices Hypothèses simplificatrices Dans un modèle simple (considéré dans ce chapitre), on suppose les Xi i.i.d. On suppose que le processus (N(t))t∈R+ est indépendant des Xi . Question : calculer E[S(t)] en fonction de E[X1 ] et E[N(t)]. Que pensez-vous de ces hypothèses ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 1 : Processus de Poisson Rappel : processus de Poisson On appelle processus de Poisson homogène d’intensité λ (espace de temps R+ ), un processus N satisfaisant les propriétés suivantes : N est un processus à accroissements indépendants N(t + h) − N(t) ∼ P(λh) pour tout t. N est un processus à valeurs entières. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 1 : Processus de Poisson Rappel : processus de Poisson On appelle processus de Poisson homogène d’intensité λ (espace de temps R+ ), un processus N satisfaisant les propriétés suivantes : N est un processus à accroissements indépendants N(t + h) − N(t) ∼ P(λh) pour tout t. N est un processus à valeurs entières. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 1 (suite) : Processus de Poisson composé Processus de Poisson composé Si N(·) est un processus de Poisson, le processus S(·) est un processus de Poisson composé d’intensité λ, et de loi de saut PX , où PX désigne la loi des Xi . Remarque : par définition, le processus de Poisson composé nécessite que les Xi soient i.i.d. La définition du processus de Poisson s’étend à des intensités non homogènes (non abordées dans ce cours). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 1 (suite) : Processus de Poisson composé Processus de Poisson composé Si N(·) est un processus de Poisson, le processus S(·) est un processus de Poisson composé d’intensité λ, et de loi de saut PX , où PX désigne la loi des Xi . Remarque : par définition, le processus de Poisson composé nécessite que les Xi soient i.i.d. La définition du processus de Poisson s’étend à des intensités non homogènes (non abordées dans ce cours). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 1 (suite) : Processus de Poisson composé Processus de Poisson composé Si N(·) est un processus de Poisson, le processus S(·) est un processus de Poisson composé d’intensité λ, et de loi de saut PX , où PX désigne la loi des Xi . Remarque : par définition, le processus de Poisson composé nécessite que les Xi soient i.i.d. La définition du processus de Poisson s’étend à des intensités non homogènes (non abordées dans ce cours). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Inconvénients du processus de Poisson Homogénéité (l’hypothèse peut être relâchée). Modèle très paramétrique (rend l’adéquation parfois difficile). La variance de la loi de Poisson est égale à son espérance. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 2 : loi binomiale négative Loi binomiale négative N à valeurs dans N suit une loi binomiale négative de paramètres r et p si P(N = k ) = Γ(k + r ) r p (1 − p)k . Γ(r )k ! Exercice : on considère le couple de variables aléatoires (N, λ) où N|λ = l ∼ P(l) et λ ∼ Γ(r , s). Alors N suit une loi binomiale négative. En déduire l’espérance et la variance de la loi binomiale négative en fonction de r et p. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 2 : loi binomiale négative Loi binomiale négative N à valeurs dans N suit une loi binomiale négative de paramètres r et p si P(N = k ) = Γ(k + r ) r p (1 − p)k . Γ(r )k ! Exercice : on considère le couple de variables aléatoires (N, λ) où N|λ = l ∼ P(l) et λ ∼ Γ(r , s). Alors N suit une loi binomiale négative. En déduire l’espérance et la variance de la loi binomiale négative en fonction de r et p. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Modèle 2 : loi binomiale négative Loi binomiale négative N à valeurs dans N suit une loi binomiale négative de paramètres r et p si P(N = k ) = Γ(k + r ) r p (1 − p)k . Γ(r )k ! Exercice : on considère le couple de variables aléatoires (N, λ) où N|λ = l ∼ P(l) et λ ∼ Γ(r , s). Alors N suit une loi binomiale négative. En déduire l’espérance et la variance de la loi binomiale négative en fonction de r et p. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Loi de S Exercice : calcul de la fonction caractéristique de S en fonction de λ et de F dans le cas d’un processus de Poisson composé. Idem pour N suivant une loi binomiale négative. Conclusion ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Loi de S Exercice : calcul de la fonction caractéristique de S en fonction de λ et de F dans le cas d’un processus de Poisson composé. Idem pour N suivant une loi binomiale négative. Conclusion ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Loi de S Exercice : calcul de la fonction caractéristique de S en fonction de λ et de F dans le cas d’un processus de Poisson composé. Idem pour N suivant une loi binomiale négative. Conclusion ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Un exemple Periode 1 2 3 4 Nombre de sinistres : 5 6 7 8 9 10 Nombre 4 8 6 3 2 9 13 10 7 10 Ajuster une loi de Poisson puis une loi binomiale négative. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Propriétés du processus de Poisson Processus de renouvellement Le processus de Poisson est un processus de renouvellement : il existe des temps inter-arrivées Yi iid tels que N(t) = sup{n ≥ 1; Y1 + · · · Yn ≤ t}, t ≥ 0. Exercice : Montrer que Y1 suit une loi exponentielle E(λ). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modélisation du nombre de sinistres Théorie élémentaire du renouvellement Théorème de renouvellement On suppose que les temps inter-arrivées Yi iid vérifient E[Y1 ] = λ−1 alors E[N(t)] lim = λ. t→∞ t preuve On montre d’abord que N(t)/t → λ. On note Tn les instants d’arrivée alors Tn /n → λ−1 p.s. On en déduit que TN(t) /N(t) → λ−1 . Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Outline 1 Risque collectif 2 Modélisation des coûts de sinistres Loi Gamma Mélange exponentiel Loi de Pareto Approximation normale Cas discret 3 Probabilité de ruine 4 Calculs de probabilités de ruine Calculs de probabilités de ruine Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Loi Gamma Loi Gamma La loi Γ(n, θ) a deux paramètres. C’est une loi à valeurs positives. Bien adaptée quand la fréquence de dommages "très élevés" est faible (exemple type : assurance dommage sur un véhicule, ne portant que sur la voiture elle-même, et pas sur les dommages subis par le conducteur ou par un tiers). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Mélange exponentiel Mélange exponentiel Définition du mélange de 2 exponentielles Soit Y et Z deux variables exponentielles indépendantes de paramètres λ et µ avec λ 6= µ. Soit δ ∼ B(p), indépendante de Y et Z . La loi de X = δY + (1 − δ)Z est appelée mélange de deux exponentielles (paramètres λ, µ et p). Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle. Il existe des techniques dites non supervisées de choix du nombre d’exponentielles dans le mélange. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Mélange exponentiel Mélange exponentiel Définition du mélange de 2 exponentielles Soit Y et Z deux variables exponentielles indépendantes de paramètres λ et µ avec λ 6= µ. Soit δ ∼ B(p), indépendante de Y et Z . La loi de X = δY + (1 − δ)Z est appelée mélange de deux exponentielles (paramètres λ, µ et p). Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle. Il existe des techniques dites non supervisées de choix du nombre d’exponentielles dans le mélange. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Mélange exponentiel Mélange exponentiel Définition du mélange de 2 exponentielles Soit Y et Z deux variables exponentielles indépendantes de paramètres λ et µ avec λ 6= µ. Soit δ ∼ B(p), indépendante de Y et Z . La loi de X = δY + (1 − δ)Z est appelée mélange de deux exponentielles (paramètres λ, µ et p). Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle. Il existe des techniques dites non supervisées de choix du nombre d’exponentielles dans le mélange. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Mélange exponentiel Mélange exponentiel Définition du mélange de 2 exponentielles Soit Y et Z deux variables exponentielles indépendantes de paramètres λ et µ avec λ 6= µ. Soit δ ∼ B(p), indépendante de Y et Z . La loi de X = δY + (1 − δ)Z est appelée mélange de deux exponentielles (paramètres λ, µ et p). Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d’exponentielles, plus on augmente la flexibilité du modèle. Il existe des techniques dites non supervisées de choix du nombre d’exponentielles dans le mélange. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Loi de Pareto Loi de Pareto Définition de la loi de Pareto On appelle loi de Pareto de paramètres (α, λ) la loi de la variable X de fonction de survie α λ , P(X > x) = x pour x ≥ λ, et P(X > x) = 1 sinon. Lien avec la loi exponentielle. Prise en compte de "queues de distributions lourdes". Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre (α, 1). L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs à m euros). Quelle est la loi du coût de sinistre ainsi franchisé ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Loi de Pareto Loi de Pareto Définition de la loi de Pareto On appelle loi de Pareto de paramètres (α, λ) la loi de la variable X de fonction de survie α λ , P(X > x) = x pour x ≥ λ, et P(X > x) = 1 sinon. Lien avec la loi exponentielle. Prise en compte de "queues de distributions lourdes". Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre (α, 1). L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs à m euros). Quelle est la loi du coût de sinistre ainsi franchisé ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Loi de Pareto Loi de Pareto Définition de la loi de Pareto On appelle loi de Pareto de paramètres (α, λ) la loi de la variable X de fonction de survie α λ , P(X > x) = x pour x ≥ λ, et P(X > x) = 1 sinon. Lien avec la loi exponentielle. Prise en compte de "queues de distributions lourdes". Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre (α, 1). L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs à m euros). Quelle est la loi du coût de sinistre ainsi franchisé ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Loi de Pareto Loi de Pareto Définition de la loi de Pareto On appelle loi de Pareto de paramètres (α, λ) la loi de la variable X de fonction de survie α λ , P(X > x) = x pour x ≥ λ, et P(X > x) = 1 sinon. Lien avec la loi exponentielle. Prise en compte de "queues de distributions lourdes". Exercice : on suppose que la loi des coûts de sinistre est une Pareto de paramètre (α, 1). L’assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs à m euros). Quelle est la loi du coût de sinistre ainsi franchisé ? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Approximation normale Approximation normale de la loi de S Théorème Soit µ(t) = E[S(t)] et σ 2 (t) = Var (S(t)). Alors S(t) − µ(t) P < x →t→∞ Φ(x), σ(t) où Φ désigne la fonction de répartition de la loi normale centrée réduite. Question : Calculer σ 2 (t). Quelle hypothèse doit on faire sur N(t)? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Approximation normale Approximation normale de la loi de S Théorème Soit µ(t) = E[S(t)] et σ 2 (t) = Var (S(t)). Alors S(t) − µ(t) P < x →t→∞ Φ(x), σ(t) où Φ désigne la fonction de répartition de la loi normale centrée réduite. Question : Calculer σ 2 (t). Quelle hypothèse doit on faire sur N(t)? Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas discret Cas discret : calcul récursif de Panjer On suppose que X1 est une variable positive de loi discrète, et on note p(x) = P(X = x). But : fournir une méthode de calcul récursive de f (x) = P(S = x). Théorème de Panjer Soit qn = P(N = n). On suppose qu’il existe deux réels a et b tels que, pour n ≥ 1, qn = a + bn qn−1 . Alors f (0) = P(N = 0)1p(0)=0 + E(p(0)N )1p(0)>0 , x X 1 bh f (x) = a+ p(h)f (x − h). 1 − ap(0) x h=1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas discret Cas discret : calcul récursif de Panjer On suppose que X1 est une variable positive de loi discrète, et on note p(x) = P(X = x). But : fournir une méthode de calcul récursive de f (x) = P(S = x). Théorème de Panjer Soit qn = P(N = n). On suppose qu’il existe deux réels a et b tels que, pour n ≥ 1, qn = a + bn qn−1 . Alors f (0) = P(N = 0)1p(0)=0 + E(p(0)N )1p(0)>0 , x X 1 bh f (x) = a+ p(h)f (x − h). 1 − ap(0) x h=1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas discret Distributions de N satisfaisant les hypothèses de Panjer La loi de Poisson : a = 0, et b = λ. Loi binomiale (k , p) : p = a/(a − 1), et k = −(b + a)/a. Loi binomiale négative (r , p) : p = 1 − a et r = 1 + b/a. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas discret Distributions de N satisfaisant les hypothèses de Panjer La loi de Poisson : a = 0, et b = λ. Loi binomiale (k , p) : p = a/(a − 1), et k = −(b + a)/a. Loi binomiale négative (r , p) : p = 1 − a et r = 1 + b/a. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas discret Distributions de N satisfaisant les hypothèses de Panjer La loi de Poisson : a = 0, et b = λ. Loi binomiale (k , p) : p = a/(a − 1), et k = −(b + a)/a. Loi binomiale négative (r , p) : p = 1 − a et r = 1 + b/a. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Outline 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité de ruine Modèle de Cramer-Lundberg Petits sinistres et coefficient d’ajustement Réassurance et probabilité de ruine 4 Calculs de probabilités de ruine Calculs de probabilités de ruine Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg Définition Modèle de Cramer-Lundberg On considère le processus U(t) = u + ct − S(t). U(t) = capital de l’assureur à la date t, u = capital initial, c = primes reçues par unité de temps, S(t) = somme déboursée pour les sinistres, modélisé par un processus de Poisson composé. Les Xi sont supposés positifs. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg Définition Modèle de Cramer-Lundberg On considère le processus U(t) = u + ct − S(t). U(t) = capital de l’assureur à la date t, u = capital initial, c = primes reçues par unité de temps, S(t) = somme déboursée pour les sinistres, modélisé par un processus de Poisson composé. Les Xi sont supposés positifs. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine On définit T = inf(t|t ≥ 0, U(t) < 0), avec la convention inf{∅} = ∞. Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processus U. Probabilité de ruine On définit la probabilité de ruine comme ψ(u) = P(T < ∞|U(0) = u). Terminologie : si µ1 = E[X1 ], on appelle coefficient de chargement (safety loading) la constante c − 1. θ= λµ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine On définit T = inf(t|t ≥ 0, U(t) < 0), avec la convention inf{∅} = ∞. Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processus U. Probabilité de ruine On définit la probabilité de ruine comme ψ(u) = P(T < ∞|U(0) = u). Terminologie : si µ1 = E[X1 ], on appelle coefficient de chargement (safety loading) la constante c − 1. θ= λµ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine On définit T = inf(t|t ≥ 0, U(t) < 0), avec la convention inf{∅} = ∞. Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processus U. Probabilité de ruine On définit la probabilité de ruine comme ψ(u) = P(T < ∞|U(0) = u). Terminologie : si µ1 = E[X1 ], on appelle coefficient de chargement (safety loading) la constante c − 1. θ= λµ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine On définit T = inf(t|t ≥ 0, U(t) < 0), avec la convention inf{∅} = ∞. Remarque : T est un temps d’arrêt par rapport à la filtration naturelle du processus U. Probabilité de ruine On définit la probabilité de ruine comme ψ(u) = P(T < ∞|U(0) = u). Terminologie : si µ1 = E[X1 ], on appelle coefficient de chargement (safety loading) la constante c − 1. θ= λµ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine Proposition Si le coefficient de chargement θ ≤ 0 alors ψ(u) = 1 pour tout u ≥ 0. Remarque : On est certain de tomber en ruine quelque soit le capital initial. On appelle condition de profit net l’hypothèse θ > 0. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine Proposition Si le coefficient de chargement θ ≤ 0 alors ψ(u) = 1 pour tout u ≥ 0. Remarque : On est certain de tomber en ruine quelque soit le capital initial. On appelle condition de profit net l’hypothèse θ > 0. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Modèle de Cramer-Lundberg La ruine Proposition Si le coefficient de chargement θ ≤ 0 alors ψ(u) = 1 pour tout u ≥ 0. Remarque : On est certain de tomber en ruine quelque soit le capital initial. On appelle condition de profit net l’hypothèse θ > 0. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Coefficient d’ajustement, borne de Lundberg On suppose que les sinistres sont petits, X est à queue légère et il existe r > 0 tel que E[exp(rX )] < ∞. On cherche une borne du type ψ(u) ≤ exp(−Ru). Borne de Lundberg Soit R la solution positive de l’équation 1 + (1 + θ)µ1 r = mX (r ), où mX (r ) = E[exp(rX )], alors ψ(u) ≤ exp(−Ru). Définition Le R du théorème précédent est appelé coefficient d’ajustement. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Coefficient d’ajustement, borne de Lundberg On suppose que les sinistres sont petits, X est à queue légère et il existe r > 0 tel que E[exp(rX )] < ∞. On cherche une borne du type ψ(u) ≤ exp(−Ru). Borne de Lundberg Soit R la solution positive de l’équation 1 + (1 + θ)µ1 r = mX (r ), où mX (r ) = E[exp(rX )], alors ψ(u) ≤ exp(−Ru). Définition Le R du théorème précédent est appelé coefficient d’ajustement. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Coefficient d’ajustement, borne de Lundberg On suppose que les sinistres sont petits, X est à queue légère et il existe r > 0 tel que E[exp(rX )] < ∞. On cherche une borne du type ψ(u) ≤ exp(−Ru). Borne de Lundberg Soit R la solution positive de l’équation 1 + (1 + θ)µ1 r = mX (r ), où mX (r ) = E[exp(rX )], alors ψ(u) ≤ exp(−Ru). Définition Le R du théorème précédent est appelé coefficient d’ajustement. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Coefficient d’ajustement, borne de Lundberg On suppose que les sinistres sont petits, X est à queue légère et il existe r > 0 tel que E[exp(rX )] < ∞. On cherche une borne du type ψ(u) ≤ exp(−Ru). Borne de Lundberg Soit R la solution positive de l’équation 1 + (1 + θ)µ1 r = mX (r ), où mX (r ) = E[exp(rX )], alors ψ(u) ≤ exp(−Ru). Définition Le R du théorème précédent est appelé coefficient d’ajustement. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Quelques propriétés du coefficient d’ajustement On a les relations suivantes : exp(Rc) = E [exp(RS)] , mc−S (−R) = 1, 1 log mS (R). c = R Exercice : que vaut R dans le cas où X ∼ E(β) ? Réponse : R= θβ . 1+θ Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Quelques propriétés du coefficient d’ajustement On a les relations suivantes : exp(Rc) = E [exp(RS)] , mc−S (−R) = 1, 1 log mS (R). c = R Exercice : que vaut R dans le cas où X ∼ E(β) ? Réponse : R= θβ . 1+θ Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Quelques propriétés du coefficient d’ajustement On a les relations suivantes : exp(Rc) = E [exp(RS)] , mc−S (−R) = 1, 1 log mS (R). c = R Exercice : que vaut R dans le cas où X ∼ E(β) ? Réponse : R= θβ . 1+θ Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Lien avec le concept d’utilité Soit Z un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonction u, appelée utilité. Signification : si l’assuré dispose d’une fortune w, l’importance réelle accordée à cette fortune est u(w). Utilité L’assuré, au maximum est prêt à payer une somme P telle que E [u(w − Z )] = u(w − P). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Lien avec le concept d’utilité Soit Z un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonction u, appelée utilité. Signification : si l’assuré dispose d’une fortune w, l’importance réelle accordée à cette fortune est u(w). Utilité L’assuré, au maximum est prêt à payer une somme P telle que E [u(w − Z )] = u(w − P). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Lien avec le concept d’utilité Soit Z un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonction u, appelée utilité. Signification : si l’assuré dispose d’une fortune w, l’importance réelle accordée à cette fortune est u(w). Utilité L’assuré, au maximum est prêt à payer une somme P telle que E [u(w − Z )] = u(w − P). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Lien avec le concept d’utilité Soit Z un risque (i.e. une variable aléatoire). Combien l’assuré est-il prêt à payer pour s’assurer contre ce risque ? Le comportement de l’assuré face au risque est modélisé par une fonction u, appelée utilité. Signification : si l’assuré dispose d’une fortune w, l’importance réelle accordée à cette fortune est u(w). Utilité L’assuré, au maximum est prêt à payer une somme P telle que E [u(w − Z )] = u(w − P). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Utilité exponentielle L’utilité exponentielle correspond à u(x) = −α exp(−αx). Dans ce cas particulier, on appelle α = −u 00 (x)/u 0 (x) l’aversion au risque. On a alors P= 1 log(mX (α)). α Conclusion Le coefficient d’ajustement correspond à l’aversion au risque qui entraîne P = c dans le cas d’une utilité exponentielle. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Utilité exponentielle L’utilité exponentielle correspond à u(x) = −α exp(−αx). Dans ce cas particulier, on appelle α = −u 00 (x)/u 0 (x) l’aversion au risque. On a alors P= 1 log(mX (α)). α Conclusion Le coefficient d’ajustement correspond à l’aversion au risque qui entraîne P = c dans le cas d’une utilité exponentielle. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Utilité exponentielle L’utilité exponentielle correspond à u(x) = −α exp(−αx). Dans ce cas particulier, on appelle α = −u 00 (x)/u 0 (x) l’aversion au risque. On a alors P= 1 log(mX (α)). α Conclusion Le coefficient d’ajustement correspond à l’aversion au risque qui entraîne P = c dans le cas d’une utilité exponentielle. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Petits sinistres et coefficient d’ajustement Utilité exponentielle L’utilité exponentielle correspond à u(x) = −α exp(−αx). Dans ce cas particulier, on appelle α = −u 00 (x)/u 0 (x) l’aversion au risque. On a alors P= 1 log(mX (α)). α Conclusion Le coefficient d’ajustement correspond à l’aversion au risque qui entraîne P = c dans le cas d’une utilité exponentielle. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Réassurance et probabilité de ruine Réassurance et probabilité de ruine Idée : Une politique de réassurance change le coefficient d’ajustement. On cherche le contrat le plus avantageux permettant d’assurer un R ≥ R0 . Deux contrats de réassurance classiques Réassurance proportionnelle : pour la perte Xi , le réassureur paie h1 (Xi ) = αXi , avec 0 ≤ α ≤ 1. Réassurance excess of loss : pour la perte Xi , le réassureur paie h2 (Xi ) = (Xi − β)+ . Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Réassurance et probabilité de ruine Comparaison de deux traités de réassurance On suppose que X ne prend que les valeurs 1 et 2 avec probabilité 1/2 pour chacune des valeurs. L’assureur prend une commission de réassurance par unité de temps, ch = (1 + ξ)λE[h(X )]. On considère deux valeurs de ξ : ξ = 1/3 et ξ = 2/5. Expliciter l’équation que doit satisfaire R dans le cas des deux traités. (se résout avec le solveur) Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Réassurance et probabilité de ruine Comparaison de deux traités de réassurance On suppose que X ne prend que les valeurs 1 et 2 avec probabilité 1/2 pour chacune des valeurs. L’assureur prend une commission de réassurance par unité de temps, ch = (1 + ξ)λE[h(X )]. On considère deux valeurs de ξ : ξ = 1/3 et ξ = 2/5. Expliciter l’équation que doit satisfaire R dans le cas des deux traités. (se résout avec le solveur) Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Réassurance et probabilité de ruine Quelques résultats numériques β α ξ = 1/3 XL Prop ξ = 1/5 XL Prop 2 0 .325 .325 .325 .325 1.4 0.2 .444 .407 .425 .390 0.9 0.4 .611 .542 .542 .482 0.6 0.6 .917 .813 .676 .602 0.3 0.15 0 0.8 0.9 1 1.83 3.67 ∞ 1.63 3.25 ∞ .426 ∗ ∗ .382 ∗ ∗ Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Réassurance et probabilité de ruine Extension au cadre du renouvellement Cadre d’étude il existe des temps inter-arrivées Yi iid tels que N(t) = sup{n ≥ 1; Y1 + · · · Yn ≤ t}, On considère U(t) = u + ct − S(t) avec S(t) = t ≥ 0. PN(t) i=1 Xi . On étend la terminologie précédente : E[Y1 ] Coefficient de chargement : θ = c E[X 1] − 1, Coefficient d’ajustement : la solution R de l’équation E[exp(r (X1 − cY1 ))] = 1, r > 0. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Réassurance et probabilité de ruine Borne de Lundberg, cadre du renouvellement Exercice : retrouver la définition du coefficient d’ajustement dans le cadre Poissonnien. Borne de Lundberg Si le coefficient d’ajustement R existe alors ψ(u) ≤ exp(−Ru), u > 0. Preuve : par récurrence en utilisant le processus squelette Sk = U(Tk ) = U(Y1 + · · · + Yk ). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Outline 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité de ruine 4 Calculs de probabilités de ruine Cadre Poissonnien Approximation de probabilités de ruine Cas de grands sinistres Calculs de probabilités de ruine Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Formule explicite pour la probabilité de ruine (X exponentiel) X ∼ E(1/µ), N processus de Poisson homogène d’intensité λ. Théorème Dans le cadre ci-dessus, ψ(u) = ψ(0) exp(−Ru), où l’on rappelle que R= et ψ(0) = 1 1+θ . θ , (1 + θ)µ Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Une première expression de la probabilité de ruine Théorème La probabilité de ruine satisfait ψ(u) = exp(−Ru) . E [exp(−RU(T ))|T < ∞] On en déduit que ψ(u) →θ→0 1, et que ψ(u) = 1 si θ ≤ 0. On peut en déduire une autre preuve de la formule de Lundberg. Si X1 ≤ b p.s., alors ψ(u) > exp(−R(u + b)). Si ψ(u0 ) = 1, alors pour tout u ≥ 0, ψ(u) = 1. Exercice : Montrer que dans le cas X ∼ E(β) alors E [exp(−RU(T ))|T < ∞] ne dépend pas de u. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Une première expression de la probabilité de ruine Théorème La probabilité de ruine satisfait ψ(u) = exp(−Ru) . E [exp(−RU(T ))|T < ∞] On en déduit que ψ(u) →θ→0 1, et que ψ(u) = 1 si θ ≤ 0. On peut en déduire une autre preuve de la formule de Lundberg. Si X1 ≤ b p.s., alors ψ(u) > exp(−R(u + b)). Si ψ(u0 ) = 1, alors pour tout u ≥ 0, ψ(u) = 1. Exercice : Montrer que dans le cas X ∼ E(β) alors E [exp(−RU(T ))|T < ∞] ne dépend pas de u. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Une première expression de la probabilité de ruine Théorème La probabilité de ruine satisfait ψ(u) = exp(−Ru) . E [exp(−RU(T ))|T < ∞] On en déduit que ψ(u) →θ→0 1, et que ψ(u) = 1 si θ ≤ 0. On peut en déduire une autre preuve de la formule de Lundberg. Si X1 ≤ b p.s., alors ψ(u) > exp(−R(u + b)). Si ψ(u0 ) = 1, alors pour tout u ≥ 0, ψ(u) = 1. Exercice : Montrer que dans le cas X ∼ E(β) alors E [exp(−RU(T ))|T < ∞] ne dépend pas de u. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Une première expression de la probabilité de ruine Théorème La probabilité de ruine satisfait ψ(u) = exp(−Ru) . E [exp(−RU(T ))|T < ∞] On en déduit que ψ(u) →θ→0 1, et que ψ(u) = 1 si θ ≤ 0. On peut en déduire une autre preuve de la formule de Lundberg. Si X1 ≤ b p.s., alors ψ(u) > exp(−R(u + b)). Si ψ(u0 ) = 1, alors pour tout u ≥ 0, ψ(u) = 1. Exercice : Montrer que dans le cas X ∼ E(β) alors E [exp(−RU(T ))|T < ∞] ne dépend pas de u. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Une première expression de la probabilité de ruine Théorème La probabilité de ruine satisfait ψ(u) = exp(−Ru) . E [exp(−RU(T ))|T < ∞] On en déduit que ψ(u) →θ→0 1, et que ψ(u) = 1 si θ ≤ 0. On peut en déduire une autre preuve de la formule de Lundberg. Si X1 ≤ b p.s., alors ψ(u) > exp(−R(u + b)). Si ψ(u0 ) = 1, alors pour tout u ≥ 0, ψ(u) = 1. Exercice : Montrer que dans le cas X ∼ E(β) alors E [exp(−RU(T ))|T < ∞] ne dépend pas de u. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Une première expression de la probabilité de ruine Théorème La probabilité de ruine satisfait ψ(u) = exp(−Ru) . E [exp(−RU(T ))|T < ∞] On en déduit que ψ(u) →θ→0 1, et que ψ(u) = 1 si θ ≤ 0. On peut en déduire une autre preuve de la formule de Lundberg. Si X1 ≤ b p.s., alors ψ(u) > exp(−R(u + b)). Si ψ(u0 ) = 1, alors pour tout u ≥ 0, ψ(u) = 1. Exercice : Montrer que dans le cas X ∼ E(β) alors E [exp(−RU(T ))|T < ∞] ne dépend pas de u. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformées de Laplace - Préliminaires On définit L = max(S(t) − ct|t ≥ 0). Soit FL la fonction de répartition de L. On a ψ(u) = 1 − FL (u) L = L1 + ... + LM où L1 désigne la valeur prise par S(t) − ct lorsque le processus passe pour la première fois au-dessus de 0, L2 la différence entre L1 et la valeur de S(t) − ct où ce record est battu pour la première fois, etc... M suit une distribution géométrique (dû au caractère poissonnien). Les Li sont i.i.d. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformées de Laplace - Préliminaires On définit L = max(S(t) − ct|t ≥ 0). Soit FL la fonction de répartition de L. On a ψ(u) = 1 − FL (u) L = L1 + ... + LM où L1 désigne la valeur prise par S(t) − ct lorsque le processus passe pour la première fois au-dessus de 0, L2 la différence entre L1 et la valeur de S(t) − ct où ce record est battu pour la première fois, etc... M suit une distribution géométrique (dû au caractère poissonnien). Les Li sont i.i.d. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformées de Laplace - Préliminaires On définit L = max(S(t) − ct|t ≥ 0). Soit FL la fonction de répartition de L. On a ψ(u) = 1 − FL (u) L = L1 + ... + LM où L1 désigne la valeur prise par S(t) − ct lorsque le processus passe pour la première fois au-dessus de 0, L2 la différence entre L1 et la valeur de S(t) − ct où ce record est battu pour la première fois, etc... M suit une distribution géométrique (dû au caractère poissonnien). Les Li sont i.i.d. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformées de Laplace - Préliminaires On définit L = max(S(t) − ct|t ≥ 0). Soit FL la fonction de répartition de L. On a ψ(u) = 1 − FL (u) L = L1 + ... + LM où L1 désigne la valeur prise par S(t) − ct lorsque le processus passe pour la première fois au-dessus de 0, L2 la différence entre L1 et la valeur de S(t) − ct où ce record est battu pour la première fois, etc... M suit une distribution géométrique (dû au caractère poissonnien). Les Li sont i.i.d. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformée de Laplace - Résultat intermédiaire Théorème (distribution du capital à la ruine) Si le capital initial vaut u = 0, alors P(U(T ) ∈ [−y − dy , −y ], T < ∞) = λ [1 − FX (y )], c où FX désigne la fonction de répartition de X . en déduit ψ(0) = [1 + θ]−1 et P(M = 0) = θ[1 + θ]−1 . La densité de L1 s’exprime comme : fL1 (y ) = 1 − FX (y ) . µ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformée de Laplace - Résultat intermédiaire Théorème (distribution du capital à la ruine) Si le capital initial vaut u = 0, alors P(U(T ) ∈ [−y − dy , −y ], T < ∞) = λ [1 − FX (y )], c où FX désigne la fonction de répartition de X . en déduit ψ(0) = [1 + θ]−1 et P(M = 0) = θ[1 + θ]−1 . La densité de L1 s’exprime comme : fL1 (y ) = 1 − FX (y ) . µ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformée de Laplace - Résultat intermédiaire Théorème (distribution du capital à la ruine) Si le capital initial vaut u = 0, alors P(U(T ) ∈ [−y − dy , −y ], T < ∞) = λ [1 − FX (y )], c où FX désigne la fonction de répartition de X . en déduit ψ(0) = [1 + θ]−1 et P(M = 0) = θ[1 + θ]−1 . La densité de L1 s’exprime comme : fL1 (y ) = 1 − FX (y ) . µ1 Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformée de Laplace Résultat 1 (convolution) On a ψ(u) = 1 − ∞ X p(1 − p)m H m∗ (u), m=0 où H désigne la fdr de L1 , m∗ désigne le produit de convolution itéré m fois, et p = θ[1 + θ]−1 . Résultat 2 Soit mL (r ) = E[exp(Lr )]. On a mL (r ) = θ 1 θ(mX (r ) − 1) + . 1 + θ 1 + θ 1 + (1 + θ)µ1 r − mX (r ) Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Transformée de Laplace Résultat 1 (convolution) On a ψ(u) = 1 − ∞ X p(1 − p)m H m∗ (u), m=0 où H désigne la fdr de L1 , m∗ désigne le produit de convolution itéré m fois, et p = θ[1 + θ]−1 . Résultat 2 Soit mL (r ) = E[exp(Lr )]. On a mL (r ) = θ 1 θ(mX (r ) − 1) + . 1 + θ 1 + θ 1 + (1 + θ)µ1 r − mX (r ) Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cadre Poissonnien Exercice : mélange exponentiel Question 1 : Calculer la transformée de Laplace d’un mélange de deux exponentielles X = δY + (1 − δ)Z est appelée mélange de deux exponentielles (paramètres λ, µ et p). Question 2 : Calculer mL (r ) dans le cas où X est un mélange de deux exponentielles. Question 3 : En déduire ψ(u). Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Approximation de probabilités de ruine Approximation de probabilités de ruine 1 1+θ exp(−Ru). ∈ Rk , et on ajuste Approximation classique : ψ(u) ≈ On cherche ψ(u) = ψ(u, θ), où θ θà partir des moments de L. En particulier, Z ∞ µ2 E[L] = ψ(u)du = , 2θµ 1 0 Z ∞ µ2 µ3 E[L2 ] = 2 uψ(u)du = + 22 2 , 6θµ1 4θ µ1 0 avec µk = E[X k ]. Méthode informatique : Inversion de la transformée de Laplace Méthode par simulation. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Approximation de probabilités de ruine Approximation de probabilités de ruine 1 1+θ exp(−Ru). ∈ Rk , et on ajuste Approximation classique : ψ(u) ≈ On cherche ψ(u) = ψ(u, θ), où θ θà partir des moments de L. En particulier, Z ∞ µ2 E[L] = ψ(u)du = , 2θµ 1 0 Z ∞ µ2 µ3 E[L2 ] = 2 uψ(u)du = + 22 2 , 6θµ1 4θ µ1 0 avec µk = E[X k ]. Méthode informatique : Inversion de la transformée de Laplace Méthode par simulation. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Approximation de probabilités de ruine Approximation de probabilités de ruine 1 1+θ exp(−Ru). ∈ Rk , et on ajuste Approximation classique : ψ(u) ≈ On cherche ψ(u) = ψ(u, θ), où θ θà partir des moments de L. En particulier, Z ∞ µ2 E[L] = ψ(u)du = , 2θµ 1 0 Z ∞ µ2 µ3 E[L2 ] = 2 uψ(u)du = + 22 2 , 6θµ1 4θ µ1 0 avec µk = E[X k ]. Méthode informatique : Inversion de la transformée de Laplace Méthode par simulation. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Approximation de probabilités de ruine Approximation de probabilités de ruine 1 1+θ exp(−Ru). ∈ Rk , et on ajuste Approximation classique : ψ(u) ≈ On cherche ψ(u) = ψ(u, θ), où θ θà partir des moments de L. En particulier, Z ∞ µ2 E[L] = ψ(u)du = , 2θµ 1 0 Z ∞ µ2 µ3 E[L2 ] = 2 uψ(u)du = + 22 2 , 6θµ1 4θ µ1 0 avec µk = E[X k ]. Méthode informatique : Inversion de la transformée de Laplace Méthode par simulation. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas de grands sinistres Lois sous exponentielles Lois sous exponentielles Une v.a. X > 0 a support non borné est sous exponentielle ssi pour (Xi ) iid on a la relation P n X i=1 Xi > x = P( max Xi > x)(1 + o(1)), 1≤i≤n x → ∞, n ≥ 2. Les lois de Pareto, log-normales, Weibull avec τ < 1 sont sous exponentielles. Les lois exponentielles, gamma, Weibull avec τ ≥ 1 ne sont pas sous exponentielles. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas de grands sinistres Lois sous exponentielles Lois sous exponentielles Une v.a. X > 0 a support non borné est sous exponentielle ssi pour (Xi ) iid on a la relation P n X i=1 Xi > x = P( max Xi > x)(1 + o(1)), 1≤i≤n x → ∞, n ≥ 2. Les lois de Pareto, log-normales, Weibull avec τ < 1 sont sous exponentielles. Les lois exponentielles, gamma, Weibull avec τ ≥ 1 ne sont pas sous exponentielles. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas de grands sinistres Lois sous exponentielles Lois sous exponentielles Une v.a. X > 0 a support non borné est sous exponentielle ssi pour (Xi ) iid on a la relation P n X i=1 Xi > x = P( max Xi > x)(1 + o(1)), 1≤i≤n x → ∞, n ≥ 2. Les lois de Pareto, log-normales, Weibull avec τ < 1 sont sous exponentielles. Les lois exponentielles, gamma, Weibull avec τ ≥ 1 ne sont pas sous exponentielles. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas de grands sinistres Ruines avec des grands sinistres Embrechts et Veraverbecke Supposons que E[X1 ] = µ1 < ∞, que la loi intégrée (1 − FX (y ))/µ1 est sous exponentielle et que θ > 0. Alors R∞ (1 − FX (y ))dy (1 + o(1)), u → ∞. Ψ(u) = u µ1 θ Les lois log-normales, Weibull avec τ < 1 sont sous exponentielles mais pas leurs lois intégrées. Exercice : Calculez un équivalent de la ruine lorsque u → ∞ pour une loi de Pareto (α, 1), α > 1. Discutez de la borne de Lundberg. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas de grands sinistres Ruines avec des grands sinistres Embrechts et Veraverbecke Supposons que E[X1 ] = µ1 < ∞, que la loi intégrée (1 − FX (y ))/µ1 est sous exponentielle et que θ > 0. Alors R∞ (1 − FX (y ))dy (1 + o(1)), u → ∞. Ψ(u) = u µ1 θ Les lois log-normales, Weibull avec τ < 1 sont sous exponentielles mais pas leurs lois intégrées. Exercice : Calculez un équivalent de la ruine lorsque u → ∞ pour une loi de Pareto (α, 1), α > 1. Discutez de la borne de Lundberg. Risque collectif Modélisation des coûts de sinistres Probabilité de ruine Calculs de probabilités de ruine Cas de grands sinistres Ruines avec des grands sinistres Embrechts et Veraverbecke Supposons que E[X1 ] = µ1 < ∞, que la loi intégrée (1 − FX (y ))/µ1 est sous exponentielle et que θ > 0. Alors R∞ (1 − FX (y ))dy (1 + o(1)), u → ∞. Ψ(u) = u µ1 θ Les lois log-normales, Weibull avec τ < 1 sont sous exponentielles mais pas leurs lois intégrées. Exercice : Calculez un équivalent de la ruine lorsque u → ∞ pour une loi de Pareto (α, 1), α > 1. Discutez de la borne de Lundberg.