TD : Programmation en C — semaine 4
25 oct. 2019 1. https://en.wikipedia.org/wiki/Conway%27s_Game_of_Life. Sorbonne Université/Master d'Informatique/ISUP-2019sept. 25 octobre 2019 ...
NetBorder SS7 Gateway Home
Extend capacity over 960 ports and single server via ISUP relay feature. Sangoma recommends hardware echo cancellation option. VoIP Protocols. SIP V2 / RFC3261
CANCER DE PROSTATE LOCALISE Référentiel RCP ONCO
The 2014 International Society of Urological Pathology (ISUP) Consensus. Conference on Gleason Grading of Prostatic Carcinoma: Definition of.
RÉPERTOIRE DES THÈSES SOUTENUES
Ecole doctorale I -. MONDES ANTIQUES ET MEDIEVAUX. Etudes grecques. 1. Etudes latines. 6. Etudes médiévales. 19. Histoire du christianisme ancien et
MODÈLES DE DURÉE Introduction
Les modèles de durée constituent un outil utilisé dans de nombreux domaines de l'assurance : durée de la vie humaine durée de l'arrêt de travail
PROSTATE CANCER GRADING: An Update from the 2014 ISUP
2005 ISUP Modified Gleason Grading. ? Proposal for New Grade Grouping. ? ISUP Nov 2014: Prostate Cancer Grading Panel. Chicago.
Maîtrise dÉconométrie - Cours de Séries Temporelles
Toujours en s'appuyant sur ce qui s'est passé avant l'instant à partir duquel démarre la prévision. Et parfois en utilisant des renseignements annexes.
Chapitre I Théorie de la ruine
ISUP 2 Université Paris VI. (slides Olivier Lopez). Année universitaire 2013-2014. Page 2. Risque collectif. Modélisation des coûts de sinistres.
Calcul de la VaR selon lapproche historique et la théorie des
ISUP - Promotion 2006-. 1 / 122. Résumé. Au cours de ces vingt dernières années la Value at Risk (VaR) est devenue une mesure de risque de référence.
Application de la méthode Least-Square Monte-Carlo pour la mise
Je remercie également tout le corps enseignant de l'ISUP qui m'a accom- pagné et guidé pendant ces 3 années de formation. En particulier je remercie.
Chapitre I
Théorie de la ruine
Olivier Wintenberger
ISUP 2, Université Paris VI
(slides Olivier Lopez)Année universitaire 2013-2014
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
1Risque collectif
2Modélisation des coûts de sinistres
3Probabilité de ruine
4Calculs de probabilités de ruine
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Outline
1Risque collectif
Définitions et hypothèses simplificatrices
Modélisation du nombre de sinistres
2Modélisation des coûts de sinistres
3Probabilité de ruine
4Calculs de probabilités de ruine
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Définitions et hypothèses simplificatricesRisque collectif pour l"assureurOn noteXileième sinistre pour l"assureurEntre une date 0 et une datet;il y aN(t)sinistres.Coût global pour l"assureur
On s"intéresse àS(t) =X1+:::+XN(t):Dans le cast=1;on noteraS(1) =SetN(t) =N:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Définitions et hypothèses simplificatricesRisque collectif pour l"assureurOn noteXileième sinistre pour l"assureurEntre une date 0 et une datet;il y aN(t)sinistres.Coût global pour l"assureur
On s"intéresse àS(t) =X1+:::+XN(t):Dans le cast=1;on noteraS(1) =SetN(t) =N:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Définitions et hypothèses simplificatricesHypothèses simplificatrices Dans un modèle simple (considéré dans ce chapitre), on suppose lesXii.i.d.On suppose que le processus(N(t))t2R+est indépendant desXi:Question :calculer E[S(t)]en fonction deE[X1]etE[N(t)]:Que pensez-vous de ces hypothèses ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Définitions et hypothèses simplificatricesHypothèses simplificatrices Dans un modèle simple (considéré dans ce chapitre), on suppose lesXii.i.d.On suppose que le processus(N(t))t2R+est indépendant desXi:Question :calculer E[S(t)]en fonction deE[X1]etE[N(t)]:Que pensez-vous de ces hypothèses ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Définitions et hypothèses simplificatricesHypothèses simplificatrices Dans un modèle simple (considéré dans ce chapitre), on suppose lesXii.i.d.On suppose que le processus(N(t))t2R+est indépendant desXi:Question :calculer E[S(t)]en fonction deE[X1]etE[N(t)]:Que pensez-vous de ces hypothèses ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 1 : Processus de PoissonRappel : processus de Poisson
On appelle processus de Poisson homogène d"intensité (espace de tempsR+), un processusNsatisfaisant lespropriétés suivantes :Nest un processus à accroissements indépendantsN(t+h)N(t) P(h)pour toutt:Nest un processus à valeurs entières.
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 1 : Processus de PoissonRappel : processus de Poisson
On appelle processus de Poisson homogène d"intensité (espace de tempsR+), un processusNsatisfaisant lespropriétés suivantes :Nest un processus à accroissements indépendantsN(t+h)N(t) P(h)pour toutt:Nest un processus à valeurs entières.
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 1 (suite) : Processus de Poisson composéProcessus de Poisson composé
SiN()est un processus de Poisson, le processusS()est un processus de Poisson composé d"intensité, et de loi de saut P X;oùPXdésigne la loi desXi:Remarque : par définition, le processus de Poissoncomposé nécessite que lesXisoient i.i.d.La définition du processus de Poisson s"étend à des
intensités non homogènes (non abordées dans ce cours).Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 1 (suite) : Processus de Poisson composéProcessus de Poisson composé
SiN()est un processus de Poisson, le processusS()est un processus de Poisson composé d"intensité, et de loi de saut P X;oùPXdésigne la loi desXi:Remarque : par définition, le processus de Poissoncomposé nécessite que lesXisoient i.i.d.La définition du processus de Poisson s"étend à des
intensités non homogènes (non abordées dans ce cours).Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 1 (suite) : Processus de Poisson composéProcessus de Poisson composé
SiN()est un processus de Poisson, le processusS()est un processus de Poisson composé d"intensité, et de loi de saut P X;oùPXdésigne la loi desXi:Remarque : par définition, le processus de Poissoncomposé nécessite que lesXisoient i.i.d.La définition du processus de Poisson s"étend à des
intensités non homogènes (non abordées dans ce cours).Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresInconvénients 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 collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 2 : loi binomiale négativeLoi binomiale négative
Nà valeurs dansNsuit une loi binomiale négative de paramètresretpsi P(N=k) =(k+r)(r)k!pr(1p)k:Exercice :on considère le couple de v ariablesaléatoires (N;)oùNj=l P(l)et(r;s):AlorsNsuit une loi binomiale négative.En déduire l"espérance et la variance de la loi binomiale négative en fonction deretp:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 2 : loi binomiale négativeLoi binomiale négative
Nà valeurs dansNsuit une loi binomiale négative de paramètresretpsi P(N=k) =(k+r)(r)k!pr(1p)k:Exercice :on considère le couple de v ariablesaléatoires (N;)oùNj=l P(l)et(r;s):AlorsNsuit une loi binomiale négative.En déduire l"espérance et la variance de la loi binomiale négative en fonction deretp:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresModèle 2 : loi binomiale négativeLoi binomiale négative
Nà valeurs dansNsuit une loi binomiale négative de paramètresretpsi P(N=k) =(k+r)(r)k!pr(1p)k:Exercice :on considère le couple de v ariablesaléatoires (N;)oùNj=l P(l)et(r;s):AlorsNsuit une loi binomiale négative.En déduire l"espérance et la variance de la loi binomiale négative en fonction deretp:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresLoi deSExercice :calcul de la f onctioncar actéristiquede Sen
fonction deet deFdans le cas d"un processus de Poisson composé.Idem pourNsuivant une loi binomiale négative.Conclusion ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresLoi deSExercice :calcul de la f onctioncar actéristiquede Sen
fonction deet deFdans le cas d"un processus de Poisson composé.Idem pourNsuivant une loi binomiale négative.Conclusion ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresLoi deSExercice :calcul de la f onctioncar actéristiquede Sen
fonction deet deFdans le cas d"un processus de Poisson composé.Idem pourNsuivant une loi binomiale négative.Conclusion ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresUn exemple
Nombre de sinistres :PeriodeNombre
14 2836
43
52
69
713
810
97
1010
Ajuster une loi de Poisson puis une loi binomiale négative.
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresPropriétés du processus de PoissonProcessus de renouvellement
Le processus de Poisson est un processus de renouvellement : il existe des temps inter-arrivéesYiiid tels que N(t) =supfn1;Y1+Yntg;t0:Exercice :Montrer que Y1suit une loi exponentielleE().Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modélisation du nombre de sinistresThéorie élémentaire du renouvellementThéorème de renouvellement
On suppose que les temps inter-arrivéesYiiid vérifientE[Y1] =1alors
lim t!1E[N(t)]t =:preuveOn montre d"abord que N(t)=t!. On noteTnles instants d"arrivée alorsTn=n!1p.s. On en déduit que TN(t)=N(t)!1.
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Outline
1Risque collectif
2Modélisation des coûts de sinistres
Loi Gamma
Mélange exponentiel
Loi de Pareto
Approximation normale
Cas discret
3Probabilité de ruine
4Calculs de probabilités de ruine
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Loi GammaLoi Gamma
La loi(n;)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 collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Mélange exponentielMélange exponentiel
Définition du mélange de 2 exponentielles
SoitYetZdeux variables exponentielles indépendantes de paramètresetavec6=:Soit B(p);indépendante de YetZ:La loi deX=Y+ (1)Zest appelée mélange de deux exponentielles (paramètres; etp).Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d"exponentielles, plus on augmente la flexibilité du modèle.Il existe des techniques ditesnon super viséesde choix du nombre d"exponentielles dans le mélange.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Mélange exponentielMélange exponentiel
Définition du mélange de 2 exponentielles
SoitYetZdeux variables exponentielles indépendantes de paramètresetavec6=:Soit B(p);indépendante de YetZ:La loi deX=Y+ (1)Zest appelée mélange de deux exponentielles (paramètres; etp).Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d"exponentielles, plus on augmente la flexibilité du modèle.Il existe des techniques ditesnon super viséesde choix du nombre d"exponentielles dans le mélange.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Mélange exponentielMélange exponentiel
Définition du mélange de 2 exponentielles
SoitYetZdeux variables exponentielles indépendantes de paramètresetavec6=:Soit B(p);indépendante de YetZ:La loi deX=Y+ (1)Zest appelée mélange de deux exponentielles (paramètres; etp).Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d"exponentielles, plus on augmente la flexibilité du modèle.Il existe des techniques ditesnon super viséesde choix du nombre d"exponentielles dans le mélange.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Mélange exponentielMélange exponentiel
Définition du mélange de 2 exponentielles
SoitYetZdeux variables exponentielles indépendantes de paramètresetavec6=:Soit B(p);indépendante de YetZ:La loi deX=Y+ (1)Zest appelée mélange de deux exponentielles (paramètres; etp).Généralisation à 3, 4 exponentielles... Plus on augmente le nombre d"exponentielles, plus on augmente la flexibilité du modèle.Il existe des techniques ditesnon super viséesde choix du nombre d"exponentielles dans le mélange.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Loi de ParetoLoi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(;)la loi de la variableXde fonction de survieP(X>x) =x
pourx;etP(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(;1):L"assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Loi de ParetoLoi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(;)la loi de la variableXde fonction de survieP(X>x) =x
pourx;etP(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(;1):L"assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Loi de ParetoLoi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(;)la loi de la variableXde fonction de survieP(X>x) =x
pourx;etP(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(;1):L"assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Loi de ParetoLoi de Pareto
Définition de la loi de Pareto
On appelle loi de Pareto de paramètres(;)la loi de la variableXde fonction de survieP(X>x) =x
pourx;etP(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(;1):L"assureur change le coût de sa franchise (il ne paie que les sinistres supérieurs àm euros). Quelle est la loi du coût de sinistre ainsi franchisé ?Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Approximation normaleApproximation normale de la loi deSThéorèmeSoit(t) =E[S(t)]et2(t) =Var(S(t)):Alors
PS(t)(t)(t) t!1(x); oùdésigne la fonction de répartition de la loi normale centrée réduite.Question :Calculer 2(t). Quelle hypothèse doit on faire surN(t)? Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Approximation normaleApproximation normale de la loi deSThéorème Soit(t) =E[S(t)]et2(t) =Var(S(t)):Alors
P S(t)(t)(t) t!1(x); oùdésigne la fonction de répartition de la loi normale centrée réduite.Question :Calculer 2(t). Quelle hypothèse doit on faire surN(t)? Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretCas discret : calcul récursif de Panjer On suppose queX1est une variable positive de loi
discrète, et on notep(x) =P(X=x):But: f ournirune méthode de calcul récursiv ede f(x) =P(S=x):Théorème de Panjer Soitqn=P(N=n):On suppose qu"il existe deux réelsaetb tels que, pourn1;qn=a+bn qn1:Alors f(0) =P(N=0)1p(0)=0+E(p(0)N)1p(0)>0; f(x) =11ap(0)x X h=1 a+bhx p(h)f(xh): Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretCas discret : calcul récursif de Panjer On suppose queX1est une variable positive de loi
discrète, et on notep(x) =P(X=x):But: f ournirune méthode de calcul récursiv ede f(x) =P(S=x):Théorème de Panjer Soitqn=P(N=n):On suppose qu"il existe deux réelsaetb tels que, pourn1;qn=a+bn qn1:Alors f(0) =P(N=0)1p(0)=0+E(p(0)N)1p(0)>0; f(x) =11ap(0)x X h=1 a+bhx p(h)f(xh): Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses de PanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses de PanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses de PanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Outline
1Risque collectif
2Modélisation des coûts de sinistres
3Probabilité de ruine
Modèle de Cramer-Lundberg
Petits sinistres et coefficient d"ajustement
Réassurance et probabilité de ruine
4Calculs de probabilités de ruine
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergDéfinition
Modèle de Cramer-Lundberg
On considère le processus
U(t) =u+ctS(t):U(t) =capital de l"assureur à la datet;u=capital initial,c=primes reçues par unité de temps,S(t) =somme déboursée pour les sinistres, modélisé par
un processus de P oissoncomposé . LesXisont supposés positifs. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergDéfinition
Modèle de Cramer-Lundberg
On considère le processus
U(t) =u+ctS(t):U(t) =capital de l"assureur à la datet;u=capital initial,c=primes reçues par unité de temps,S(t) =somme déboursée pour les sinistres, modélisé par
un processus de P oissoncomposé . LesXisont supposés positifs. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficientquotesdbs_dbs21.pdfusesText_27
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Approximation normaleApproximation normale de la loi deSThéorèmeSoit(t) =E[S(t)]et2(t) =Var(S(t)):Alors
PS(t)(t)(t) t!1(x); oùdésigne la fonction de répartition de la loi normale centrée réduite.Question :Calculer 2(t). Quelle hypothèse doit on faire surN(t)? Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretCas discret : calcul récursif de Panjer On suppose queX1est une variable positive de loi
discrète, et on notep(x) =P(X=x):But: f ournirune méthode de calcul récursiv ede f(x) =P(S=x):Théorème de Panjer Soitqn=P(N=n):On suppose qu"il existe deux réelsaetb tels que, pourn1;qn=a+bn qn1:Alors f(0) =P(N=0)1p(0)=0+E(p(0)N)1p(0)>0; f(x) =11ap(0)x X h=1 a+bhx p(h)f(xh): Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretCas discret : calcul récursif de Panjer On suppose queX1est une variable positive de loi
discrète, et on notep(x) =P(X=x):But: f ournirune méthode de calcul récursiv ede f(x) =P(S=x):Théorème de Panjer Soitqn=P(N=n):On suppose qu"il existe deux réelsaetb tels que, pourn1;qn=a+bn qn1:Alors f(0) =P(N=0)1p(0)=0+E(p(0)N)1p(0)>0; f(x) =11ap(0)x X h=1 a+bhx p(h)f(xh): Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses de PanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses de PanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses de PanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Outline
1Risque collectif
2Modélisation des coûts de sinistres
3Probabilité de ruine
Modèle de Cramer-Lundberg
Petits sinistres et coefficient d"ajustement
Réassurance et probabilité de ruine
4Calculs de probabilités de ruine
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergDéfinition
Modèle de Cramer-Lundberg
On considère le processus
U(t) =u+ctS(t):U(t) =capital de l"assureur à la datet;u=capital initial,c=primes reçues par unité de temps,S(t) =somme déboursée pour les sinistres, modélisé par
un processus de P oissoncomposé . LesXisont supposés positifs. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergDéfinition
Modèle de Cramer-Lundberg
On considère le processus
U(t) =u+ctS(t):U(t) =capital de l"assureur à la datet;u=capital initial,c=primes reçues par unité de temps,S(t) =somme déboursée pour les sinistres, modélisé par
un processus de P oissoncomposé . LesXisont supposés positifs. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruine On définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11: Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement. Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queue légère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficientquotesdbs_dbs21.pdfusesText_27
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretCas discret : calcul récursif de PanjerOn suppose queX1est une variable positive de loi
discrète, et on notep(x) =P(X=x):But: f ournirune méthode de calcul récursiv ede f(x) =P(S=x):Théorème de Panjer Soitqn=P(N=n):On suppose qu"il existe deux réelsaetb tels que, pourn1;qn=a+bn qn1:Alors f(0) =P(N=0)1p(0)=0+E(p(0)N)1p(0)>0; f(x) =11ap(0)x X h=1 a+bhx p(h)f(xh):Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretCas discret : calcul récursif de PanjerOn suppose queX1est une variable positive de loi
discrète, et on notep(x) =P(X=x):But: f ournirune méthode de calcul récursiv ede f(x) =P(S=x):Théorème de Panjer Soitqn=P(N=n):On suppose qu"il existe deux réelsaetb tels que, pourn1;qn=a+bn qn1:Alors f(0) =P(N=0)1p(0)=0+E(p(0)N)1p(0)>0; f(x) =11ap(0)x X h=1 a+bhx p(h)f(xh):Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses dePanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses dePanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Cas discretDistributions deNsatisfaisant les hypothèses dePanjerLa loi de Poisson :a=0;etb=:Loi binomiale(k;p):p=a=(a1);etk=(b+a)=a:Loi binomiale négative(r;p):p=1aetr=1+b=a:
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Outline
1Risque collectif
2Modélisation des coûts de sinistres
3Probabilité de ruine
Modèle de Cramer-Lundberg
Petits sinistres et coefficient d"ajustement
Réassurance et probabilité de ruine
4Calculs de probabilités de ruine
Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergDéfinition
Modèle de Cramer-Lundberg
On considère le processus
U(t) =u+ctS(t):U(t) =capital de l"assureur à la datet;u=capital initial,c=primes reçues par unité de temps,S(t) =somme déboursée pour les sinistres, modélisé par
un processus de P oissoncomposé . LesXisont supposés positifs.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergDéfinition
Modèle de Cramer-Lundberg
On considère le processus
U(t) =u+ctS(t):U(t) =capital de l"assureur à la datet;u=capital initial,c=primes reçues par unité de temps,S(t) =somme déboursée pour les sinistres, modélisé par
un processus de P oissoncomposé . LesXisont supposés positifs.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruineOn définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruineOn définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruineOn définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
On définitT=inf(tjt0;U(t)<0);avec la convention inff;g=1:Remarque :Test un temps d"arrêt par rapport à la filtration naturelle du processusU:Probabilité de ruineOn définit la probabilité de ruine comme
(u) =P(T<1jU(0) =u):Terminologie : si1=E[X1];on appelle coefficient de chargement (safety loading) la constante =c 11:Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Modèle de Cramer-LundbergLa ruine
Proposition
Si le coefficient de chargement0 alors (u) =1 pour tout u0.Remarque :On est cer tainde tomber en r uinequelque soit le capital initial.On appellecondition de profit net l"h ypothèse >0.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queuelégère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queuelégère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queuelégère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficient d"ajustement.Risque collectifModélisation des coûts de sinistresProbabilité de ruineCalculs de probabilités de ruine
Petits sinistres et coefficient d"ajustementCoefficient d"ajustement, borne de Lundberg On suppose que les sinistres sont petits,Xest à queuelégère et il exister>0 tel queE[exp(rX)]<1.On cherche une borne du type (u)exp(Ru):Borne de Lundberg
SoitRla solution positive de l"équation 1+ (1+)1r=mX(r); oùmX(r) =E[exp(rX)];alors (u)exp(Ru):Définition LeRdu théorème précédent est appelé coefficientquotesdbs_dbs21.pdfusesText_27[PDF] itavi biosecurité
[PDF] itavi fiches biosécurité
[PDF] itavi fiches techniques
[PDF] itb france
[PDF] itb definition
[PDF] itb difficulte
[PDF] itb resultat 2017
[PDF] itb test logique
[PDF] itc tattoo paris
[PDF] itef casablanca
[PDF] itelis
[PDF] itelligence lyon
[PDF] itelligence recrutement
[PDF] itelligence toulouse