You are on page 1of 116

Exercices

en
thorie
de la
crdibilit
Avec solutions
Exercices
en
thorie
de la
crdibilit
Avec solutions
Hlne Cossette
Vincent Goulet
cole dactuariat, Universit Laval
Seconde dition rvise
2008 Hlne Cossette, Vincent Goulet
Cette cration est mise disposition selon le contrat Paternit-Partage liden-
tique 2.5 Canada disponible en ligne http://creativecommons.org/licenses/by-sa/
2.5/ca/ ou par courrier postal Creative Commons, 171 Second Street, Suite 300, San
Francisco, California 94105, USA.
Historique de publication
Janvier 2006 : Premire version prliminaire
Janvier 2007 : Premire dition
Janvier 2008 : Seconde dition
Janvier 2010 : Seconde dition rvise
Code source
Le code source L
A
T
E
X de ce document est disponible ladresse
http://vgoulet.act.ulaval.ca/credibilite/
ou en communiquant directement avec les auteurs.
ISBN 978-2-9809136-9-3
Dpt lgal Bibliothque et Archives nationales du Qubec, 2008
Dpt lgal Bibliothque et Archives Canada, 2008
Introduction
Ce document est le fruit de la mise en commun dexercices colligs au l
du temps pour nos cours de thorie de la crdibilit lUniversit Laval et
lUniversit Concordia. Nous ne sommes toutefois pas les uniques auteurs
des exercices ; certains ont, en effet, t rdigs par les Docteurs Franois Du-
fresne et Jacques Rioux, entre autres. Quelques exercices proviennent gale-
ment danciens examens de la Society of Actuaries et de la Casualty Actuarial
Society.
Cest dailleurs an de ne pas usurper de droits dauteur que ce docu-
ment est publi selon les termes du contrat Paternit-Partage des conditions
initiales lidentique 2.5 Canada de Creative Commons. Il sagit donc dun
document libre que quiconque peut rutiliser et modier sa guise,
condition que le nouveau document soit publi avec le mme contrat.
Le premier chapitre, tir de Goulet (1994), trace lhistorique et lvolution
de la thorie de la crdibilit, de ses origines jusquau dbut des annes 1990.
Les chapitres 2 5 qui correspondent aux chapitres de notre cours sont
quant eux uniquement constitus dexercices. Dans cette seconde dition,
les rponses des exercices se trouvent la n des chapitres, alors que les
solutions compltes se trouvent lannexe D. De plus, la n de chaque
chapitre dexercices, on trouvera une liste dexercices suggrs dans Klugman
et collab. (2004, 2008).
Un tableau synoptique des principaux rsultats de crdibilit exacte se
trouve lannexe A. Lannexe B, prsente la paramtrisation des lois de pro-
babilit utilise dans les exercices. En cas de doute, le lecteur est invit la
consulter. Il y trouvera galement lesprance, la variance et la fonction gn-
ratrice des moments (lorsquelle existe) des lois de probabilits rencontres
dans ce document. Enn, lannexe C contient un tableau des quantiles de la
loi normale
Nous tenons remercier M. Mathieu Pigeon pour sa prcieuse collabo-
ration lors de la prparation de ce document, ainsi que tous les auxiliaires
denseignement ayant, au l des annes, contribu la rdaction dexercices
et de solutions.
Hlne Cossette <helene.cossette@act.ulaval.ca>
Vincent Goulet <vincent.goulet@act.ulaval.ca>
Qubec, dcembre 2007
v
Table des matires
Introduction v
1 Historique et volution de la thorie de la crdibilit 1
1.1 Lmergence de lapproche bayesienne . . . . . . . . . . . . . . . 1
1.2 Les rexions de Russell . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Et les actuaires dans tout a ? . . . . . . . . . . . . . . . . . . . . 5
1.4 En conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Crdibilit amricaine ou de stabilit 13
3 Crdibilit bayesienne 19
4 Modle de Bhlmann 29
5 Modle de BhlmannStraub 37
A Formules de crdibilit exacte 41
B Paramtrisation des lois de probabilit 43
B.1 Distributions discrtes . . . . . . . . . . . . . . . . . . . . . . . . 43
B.2 Distributions continues . . . . . . . . . . . . . . . . . . . . . . . . 44
B.3 Distributions composes . . . . . . . . . . . . . . . . . . . . . . . 45
C Table de quantiles de la loi normale 47
D Solutions 49
Chapitre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Chapitre 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Chapitre 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Chapitre 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Bibliographie 103
vii
1 Historique et volution de la
thorie de la crdibilit
Ce chapitre est une version rvise du chapitre 1 de Goulet (1994)
La personne qui mentionne quelle tudie la crdibilit obtient habituel-
lement de grands yeux incrdules et interrogateurs comme seule rponse de
la part de son interlocuteur, fut-il mme parfois actuaire. Pour lactuaire la
crdibilit nest souvent quun vague concept parmi tant dautres rencontrs
au l des examens professionnels, concept qui eut tt fait de fuir toutes
jambes sa mmoire une fois lexamen russi. Quant au non actuaire, ltude
de la crdibilit ne lui apparat daucun intrt puisquil napplique habituel-
lement la notion quaux personnes physiques : le juge est crdible lorsquil
interprte la loi, certains critiques de cinma sont crdibles alors que dautres
le sont moins, nul politicien nest considr crdible... Pourtant, la dnition
que donne le Petit Robert du mot crdibilit, ce qui fait quune chose m-
rite dtre crue ; caractre de ce qui est croyable, est assez vaste pour laisser
place dautres interprtations.
La population accorde donc de la crdibilit aux gens, et ce selon leur
notorit, leurs ralisations, du fait dexpriences concluantes, de leur hon-
ntet et leur droiture reconnues ou tout simplement par afnit. En n de
compte, une personne est crdible nos yeux sil est probable que ce quelle
dit ou fait se ralise ou soit un succs. Par exemple, il est fort probable que
linterprtation que le juge fait de la loi soit la bonne ; ou jirai voir le nou-
veau lm lafche louang par tel critique car je sais quil est probable que
je laime moi aussi.
On voit donc quil existe une troite relation entre les notions de proba-
bilit et de crdibilit. Cest pour cette raison quavant daborder lhisto-
rique de la thorie actuarielle de la crdibilit, il savrera intressant dtu-
dier lvolution de lapproche probabiliste privilgie en actuariat, lapproche
bayesienne. Avec en plus ltude des rexions sur le sujet du philosophe
anglais Bertrand Russell le lien entre les deux notions se clariera et la pers-
pective historique nen sera que meilleure.
1.1 Lmergence de lapproche bayesienne
Bien que Thomas Bayes eut prsent son fameux thorme dans un essai
en 1763, ce nest que dans la seconde moiti des annes 1950 que la philo-
1
2 Historique et volution de la thorie de la crdibilit
sophie probabiliste base sur ce thorme gagne sufsamment dadeptes, et
donc de popularit, pour aspirer au respect. Lapproche classique monopoli-
sait auparavant la foi des probabilistes et statisticiens, et cest encore aujour-
dhui la philosophie enseigne en premier lieu dans les coles.
Le statisticien classique
1
a une vision trs stricte, objective et mathma-
tique de la probabilit et de lusage quil est possible den faire pour infrer
un rsultat partir de donnes. Pour lui, une probabilit est essentiellement
la limite dune srie de frquences relatives o la symtrie joue un rle pri-
mordial : si un vnement peut connatre n ralisations diffrentes mutuel-
lement exclusives et ayant une chance gale de se raliser, et si de ces rali-
sations m ont lattribut A, alors la probabilit de A est m/n. Des noncs du
type il est probable que le Qubec devienne indpendant au cours des deux
prochaines annes ou il est probable quil neige demain nont donc aucun
sens ses yeux. Dailleurs, les statisticiens classiques croient que leur travail
se limite exclusivement lanalyse des donnes et quil ne leur appartient pas
de prendre des dcisions la lumire des rsultats obtenus. Il sera expliqu
plus loin que, par opposition, les bayesiens voient en la prise de dcision le
but de tout travail statistique.
Un autre lment majeur qui caractrise lapproche classique et cest
celui qui concerne particulirement la thorie de la crdibilit est lab-
sence de prise en compte de toute information a priori relative au problme
tudi. On prfre laisser les donnes parler delles-mmes. Cest ce qui
fut lorigine de la contestation devant mener lmergence de lapproche
bayesienne.
Leonard J. Savage publie en 1954 (Savage, 1954) un des premiers livres
consacrs ltude de la statistique dans une optique bayesienne. Il dfend
alors la vision individualiste de la probabilit (personalistic view of probability)
quil qualie de seul concept de probabilit. Comme son nom lindique,
cette vision tche de se rapprocher le plus possible du raisonnement humain.
La probabilit devient donc un indicateur de lopinion dune personne pro-
pos dun vnement et, puisquune opinion est habituellement ! sujette
changement suite lajout dinformations, linfrence statistique partir de
nouvelles donnes constitue alors le mcanisme de rvision de lopinion. De
plus, ladhrant cette vision refuse obstinment de rejeter toute information
parallle ou a priori au problme sous prtexte que, justement, lhumain tire
prot de ces informations lorsquil prend une dcision. Si la question quel
degr de conviction puis-je atteindre la suite de lajout de cette informa-
tion? est hors du champ de la statistique pour le statisticien classique, elle
est au contraire au cur mme du problme pour lindividualiste. Ce dernier
rpond dailleurs la question en utilisant le thorme de Bayes do le
qualicatif de bayesien. Cet algorithme donne la nouvelle probabilit dun
vnement A partir de sa probabilit originale et des nouveaux faits mar-
quants venant sy rattacher. Ainsi, si B constitue lensemble des nouveaux
1. Souvent appel objectivist en anglais. Lexpression est toutefois difcile traduire adqua-
tement en franais et cest pourquoi usage on utilisera le terme classique
1.2. Les rexions de Russell 3
faits, alors
P[A|B] =
P[B|A]P[A]
P[B]
,
o P[A] est la probabilit a priori que lvnement A se ralise.
De plus, les bayesiens vitent lapparente contradiction entre lobjectivit
scientique et lirrationalit humaine en postulant un individu idal, cons-
quent dans ses dcisions. Par exemple, cet individu, lorsque confront un
choix, choisira toujours loption la plus probable.
Savage donne dans son ouvrage The foundations of statistics (1954) quelques
expressions synonymes, quil est sans doute prfrable de ne pas traduire,
pour personal probability. Ce sont subjective probability, psychological probability
et nalement degree of conviction. Le lecteur est invit conserver tout parti-
culirement en mmoire la dernire expression. En effet, la section suivante
tudie sommairement les travaux du philosophe Bertrand Russell et il sera
intressant de constater quel point les travaux de deux disciplines diff-
rentes ont su converger.
1.2 Les rexions de Russell
Lord Bertrand Russell (1872-1970) est un minent philosophe et logicien
britannique, paciste invtr et dont lactivit la plus marquante se rap-
porta aux mathmatiques et la logique. Il est entre autres le fondateur du
logicisme, doctrine selon laquelle les mathmatiques seraient soumises la
formalisation de la logique et sy rduiraient (Le Petit Larousse).Il fut rci-
piendaire du Prix Nobel de littrature en 1950.
Joseph Butler (16921752) disait : la probabilit est le guide de la vie
dune personne. En effet, il est raisonnable de croire que lorsque deux v-
nements ou plus ont des chances de se raliser, la dcision dune personne
sera base sur celui qui se ralisera avec la plus forte probabilit. Mais ce
type de probabilit est-il le mme que dans lnonc : la probabilit dob-
tenir un double six au lancer de deux ds est de un sur trente-six ? Russell
soutient que non. Voici son raisonnement, que lont peut retrouver de faon
plus exhaustive dans son ouvrage de 1948 (Russell, 1948).
De toute vidence, cette dernire est la probabilit dite mathmatique, obis-
sant aux axiomes de la thorie des probabilits, que lont peut grossirement
rduire au quotient de deux nombres : le cardinal dune classe spcique
(double six) et celui dune classe fondamentale (les ralisations possibles du
lancer de deux ds). Elle sattarde aux noncs dordre gnral, se rfrant
des classes anonymes. Un autre exemple serait, en assurance-vie : la
probabilit quun homme non-fumeur g de 30 ans dcde dans lanne qui
vient est, selon la table CSO 1958, de 0,00213. Jamais dans ces deux exemples
il nest fait rfrence une personne ou un objet en particulier.
Cependant, en passant un cas particulier du genre la probabilit que
je vive jusqu 90 ans est de 60 %, est-on toujours dans le domaine de la
probabilit mathmatique ? Au passage dun cas gnral un cas particulier
4 Historique et volution de la thorie de la crdibilit
(et en ne considrant pas le cas particulier comme une simple ralisation du
phnomne gnral), une personne devrait tre en mesure dintgrer tous les
lments dimportance sa prise de dcision. Cette masse dinformation lui
permettrait alors de savoir avec certitude si oui ou non sa longvit atteindra
les 90 ans. Et ds lors elle se retrouverait hors du champ de la probabilit.
Bien entendu, il est pour ainsi dire impossible datteindre un tel niveau
de certitude. Cest pourquoi la probabilit demeure le guide de la vie de la
personne, parce que son devoir savre insufsant. Mais encore, si ce guide est
la probabilit mathmatique, il doit tre possible de calculer et didentier la
probabilit (cest--dire la classe fondamentale), sinon le guide fait faux bon
son utilisateur ! La personne en qute de cette probabilit valuera donc
dabord elle-mme ses chances de vivre jusqu 90 ans, puis ira probablement
consulter un mdecin, ou mme une voyante, qui chacun lui donnera son
avis, pas ncessairement objectif. Cette personne ne pourra que croire en
totalit ou en partie les divers jugements colligs, aussi lorsquil afrmera la
probabilit que je vive jusqu 90 ans est de 60 %, il attribuera en ralit une
crdibilit de 60 % lexpression je vais vivre jusqu 90 ans. Cest le mieux
quil pourra faire, tout le savoir de lhumain comportant une part de doute
ou, linverse, seulement un degr de crdibilit.
Crdibilit, voil donc le nom quattribue Russell ce second type de
probabilit, la distinction entre la probabilit mathmatique et la crdibilit
se faisait au passage du gnral au particulier. Une relation subsiste nanmoins
entre les deux notions, et cest que la probabilit mathmatique est un instru-
ment de mesure de la crdibilit. De plus, toujours selon Russell, tout nonc
comporte un degr de crdibilit intrinsque, si minime soit-il, car une per-
sonne a toujours un certain bagage de connaissances lui permettant de se
faire une opinion a priori. Finalement, la crdibilit peut tre augmente par
lajout dinformation, le gain marginal allant en dcroissant.
Cette thorie de Bertrand Russell date de 1948 (ou du moins sa publica-
tion). Lnonc sommaire ci-dessus suft pour constater quel point cette
thorie est prs de lapproche bayesienne en statistique qui commenait alors
sortir de lanonymat. Cela nest pas surprenant si lon se rappelle que les
fondateurs de lcole bayesienne ont, comme des philosophes le font, bas
leur thorie sur le comportement humain. Ainsi, ce que Russell nomme pro-
babilit mathmatique correspond en fait lapproche classique en statistique
et il ne la considre pas comme un n en soi, mais bien comme un outil pour
une prise de dcision. Cest cette prise de dcision, via la dtermination dun
degr de crdibilit, qui constitue la n de lutilisation de la probabilit (ou
de la statistique). Dailleurs, lexpression degree of conviction propose par Sa-
vage nest-elle pas synonyme de celle de Russell, degr de crdibilit ?
Cependant, l o le philosophe fortie le plus la thse bayesienne, cest
lorsquil soutient que tout nonc comporte un degr de crdibilit intrin-
sque car, ce faisant, il dfend lapport non ngligeable de linformation a
priori.
1.3. Et les actuaires dans tout a ? 5
1.3 Et les actuaires dans tout a ?
Longtemps avant lapparition de lapproche bayesienne ou mme les tho-
ries de Russell, linformation a priori tait prise en compte par les actuaires.
En effet, lorsquils valuaient une prime, jamais ils nauraient considr ne
rien connatre du risque. partir de diffrents critres, ils arrivaient au moins
le regrouper avec dautres risques semblables. Toutefois, le mcanisme de
prise en compte de cette information tait souvent ad hoc et mal compris
la fois par les actuaires et les statisticiens. Ctait la crdibilit.
Si la crdibilit a su se dvelopper et faire le bonheur de ses utilisateurs
pendant de nombreuses annes sans les bases statistiques de lapproche baye-
sienne, il nen demeure pas moins que larrive de celle-ci marqua un virage
important dans lvolution de la crdibilit, contribuant dailleurs en faire
davantage une thorie. Les lignes suivantes tcheront de retracer lvolution
historique de la thorie de la crdibilit, de ses balbutiements aux dbuts
du sicle son adolescence actuelle, tout en faisant le lien avec les thories
prsentes plus haut.
La petite histoire suivante, invente par le Dr Franois Dufresne pour un
cours dintroduction la thorie de la crdibilit lUniversit Laval, illustre
sans doute bien comment cette thorie a pu voir le jour.
Vers les annes 1910, aux tats-Unis, la multinationale General Motors
et le petit constructeur indpendant Tucker sont assurs chez Allstate contre
les accidents de travail (workers compensation), avec quelques autres fabricants
dautomobiles. Un taux moyen est calcul partir de lexprience de len-
semble de ces fabricants et cest ce taux qui est charg chacun. Or, la GM
calcule elle-mme son taux et saperoit quil serait, anne aprs anne, inf-
rieur celui quon lui charge et ce, grce une exprience meilleure que celle
du groupe. Exaspre par une telle situation, elle demande Allstate quon
lui charge son propre taux, ceci sous prtexte que son nombre demploys
important est un gage de stabilit de lexprience entre les annes.
Les actuaires de Allstate sont intuitivement daccord avec largumentation
de GM, aussi sapprtent-ils accder sa demande. Un petit problme les
fait cependant hsiter : si le nombre demploys de GM est clairement assez
gros pour que lon se e son exprience et celui de Tucker trop petit pour
faire de mme, o xera-t-on la limite entre un nombre demploys able et
un non able ?
Il est gnralement reconnu que le premier actuaire avoir propos une
solution au problme dans la littrature est Arthur H. Mowbray, dans le
premier numro, des Proceedings de la Casualty Actuarial Society, en 1914
(Mowbray, 1914). En supposant connue la probabilit q quun accident sur-
vienne, il dsire calculer le nombre minimal demploys assurs n de telle
sorte que la probabilit que le nombre daccidents ne sloigne pas de plus
de 100k % de la moyenne (ou du mode
2
) soit suprieure 100p %. Si lon
2. Mowbray privilgie la valeur la plus frquente, le mode, mais sen remet la moyenne par
simplicit et sous prtexte que ces deux valeurs sont presque gales.
6 Historique et volution de la thorie de la crdibilit
note N la distribution du nombre daccidents, alors lnonc prcdent scrit
en langage mathmatique
P[(1 k)E[N] N (1 + k)E[N]] p,
o N Binomiale(n, q). Par la suite, lutilisation de lapproximation normale
pour la distribution de N permet dviter larbitrage entre le mode et la
moyenne et dobtenir aisment une rponse.
Les bases de la crdibilit de stabilit, ou limited uctuations, taient ds
lors poses.
La solution de Mowbray tait intressante car appuye par des arguments
probabilistes. Elle connut dailleurs de multiples adaptations qui lui per-
mirent de rester dactualit jusqu nos jours. Moyennant la dtermination
dune distribution pour le nombre de sinistres, les praticiens pouvaient d-
sormais rsoudre par un calcul simple le problme auquel ils faisaient face :
xer un seuil dadmissibilit la pleine crdibilit.
Les assurs eurent cependant tt fait de soumettre un autre problme aux
actuaires. Telle que prsente jusqu maintenant, la thorie de la crdibilit
nadmettait que deux niveaux : 0 et 1. Or, cette situation pouvait se traduire,
pour un employeur situ tout juste sous le seuil dadmissibilit, en une diff-
rence signicative dans la prime payer. De plus, la notion mme de pleine
crdibilit ne ralliait pas lensemble des actuaires, certains croyant que jamais
les donnes ne sont ables 100%.
Cest pour rpondre ces critiques que fut introduit le concept de cr-
dibilit partielle, dont on attribue la premire vritable thorie sur le sujet
Whitney (1918). Ds 1918 donc, Whitney mentionne la ncessit, par souci
dquit pour lassur, de pondrer dun ct lexprience collective et de
lautre lexprience individuelle. Lessence de la crdibilit consistait cal-
culer cette pondration.
au moins deux reprises dans lhistoire, la crdibilit de prcision (grea-
test accuracy) a eu la chance de simposer avant la contribution de Bhlmann
en 1967. La premire se trouve dans les travaux de Whitney. Dans son article,
ce dernier retient quatre lments qui inuenceront la pondration donner
lexprience individuelle : lexposition, le niveau de risque, la crdibilit de
la prime collective et lhomognit du groupe. Dailleurs, il mentionne :
Il ny aurait pas de problme dexperience rating si chaque risque
dans le groupe tait typique du groupe, car dans ce cas les va-
riations dans lexprience ne seraient que purement alatoires.
(Traduction libre)
Or, la notion dhomognit du collectif est au cur mme de la crdibi-
lit de prcision. Whitney modlise lhtrognit du collectif en supposant
que les moyennes des divers risques sont distribues selon une loi normale.
De l, par un dveloppement mathmatique lourd et laborieux, il obtient une
expression pour la prime individuelle (P) de la forme
P = zX + (1 z)C,
1.3. Et les actuaires dans tout a ? 7
o X est lexprience individuelle et C lexprience collective. Ces valeurs
sont pondres par le facteur de crdibilit, z, dont Whitney obtient une for-
mule de la forme n/(n + K). K nest alors pas une constante arbitraire, mais
bien une expression explicite dpendant des divers paramtres du modle.
Par souci de simplicit, Whitney suggre cependant de xer K comme une
constante dterminer au jugement de manire viter les trop grandes
uctuations entre la prime individuelle et la prime collective. Ce faisant, il
scarte dune conception de la crdibilit visant la prcision pour encoura-
ger plutt celle visant la stabilit. La crdibilit de prcision meurt dans luf
cause de considrations dordre pratique.
Whitney fut de plus critiqu par Fisher (1919) pour avoir utilis une m-
thode juge hrtique lpoque en statistique, la rgle de Bayes. Fischer
cite dailleurs quelques personnes faisant autorit stant prononces contre
lusage de cette rgle. En fait, Whitney utilise la version la plus simple de la
rgle, celle mme propose par Bayes
3
, qui suppose qua priori tous les v-
nements ont une chance gale de se raliser. Cette modlisation tait appele
par ses adeptes le Principe de la raison insufsante et par ses dtracteurs
Lhypothse de distribution uniforme de lignorance
4
. Dans le dveloppe-
ment de Whitney, cela revient supposer que toutes les valeurs possibles
pour la moyenne du groupe sont quiprobables. Les rserves de Fischer sur
ce point taient donc justies...
Il est difcile aujourdhui de mesurer limpact que la volte-face de Whit-
ney en faveur des arguments de stabilit a pu avoir sur la pratique de la
crdibilit. Toujours est-il que les actuaires ont utilis intensivement pendant
un demi-sicle la forme z = n/(n + K) pour calculer des facteurs de crdibi-
lit bass essentiellement sur la stabilit. Encore aujourdhui, cest lapproche
privilgie aux tats-Unis. Pourtant, si les pratiques se sont quelque peu -
ges, la thorie, elle, na pas cess dvoluer.
Lapproche de prcision tente nouveau sa chance par lentremise de
Arthur L. Bailey, et ce deux reprises (Bailey (1945) et Bailey (1950)). En 1945
dabord, Bailey obtient une expression pour la crdibilit dans ce qui semble
tre lunivers non paramtrique explor plus tard par Bhlmann. Seulement,
une notation confuse rend le texte difcilement dchiffrable et le condamne
la marginalit.
Larticle de 1950 avait, lui, davantage le potentiel pour branler les acquis
en thorie de la crdibilit. Bailey dbute son article en relevant les confron-
tations historiques entre statisticiens et actuaires au sujet de la crdibilit. On
apprend alors quil y a plus de trente ans, la polmique au sujet de la crdibi-
lit tait la mme que de nos jours : les statisticiens purs crient au scandale,
estimant les mthodes actuarielles contraires toute thorie statistique, et les
actuaires leur rpondent que peut-tre, mais a fonctionne ! Le point ma-
jeur de discorde est lutilisation par les actuaires de la rgle de Bayes. Ainsi,
Bailey (1950) crit :
3. Selon Bailey (1950).
4. Principe of insufcient reason et Assumption of the equal distribution of ignorance.
8 Historique et volution de la thorie de la crdibilit
Prsentement, presque toutes les mthodes destimation prsen-
tes dans les livres de mthode statistiques ou enseignes dans les
universits amricaines sont bases sur un quivalent de lhypo-
thse selon laquelle toute information parallle ou connaissance
a priori est inutile. (...) Des philosophes [Russell] ont rcemment
tudi la crdibilit accorder divers lments de savoir, re-
mettant par consquent en doute la philosophie adopte par les
statisticiens. Par contre, il semble que ce ne soit que dans le do-
maine de lactuariat quon ait assist une relle rvolte contre
la mise de ct de tout savoir a priori au moment destimer une
quantit laide de nouvelles donnes. (Traduction libre)
Bailey se prononce donc clairement en faveur de la philosophie baye-
sienne. Il semble mme quil fut le premier en dfendre si nergiquement
la pertinence dans le processus de tarication. Mais ceci, fait-il remarquer,
condition dutiliser une gnralisation de la rgle de Bayes, faite par Laplace
en 1820, de manire viter le controvers Principe de la raison insuf-
sante. Cette gnralisation rend la rgle de Bayes applicable mme si les
vnements nont pas a priori une chance gale de se raliser.
partir de ces prmisses, Bailey dmontre quen minimisant lerreur
quadratique dans un contexte bayesien, lestimateur obtenu est une fonc-
tion linaire des observations
5
qui correspond exactement la prime de cr-
dibilit, et ce pour les combinaisons de distributions binomiale/bta, Pois-
son/gamma et normale/normale. Il est possible den dduire un facteur de
crdibilit encore une fois de la forme z = n/(n + K) o K est une combinai-
son des paramtres du modle. Contrairement Whitney, Bailey ne propose
pas dvaluer K au jugement, mais bien de sen tenir lexpression dvelop-
pe algbriquement.
De plus, conscient que la procdure utilise est une modlisation de lh-
trognit dun groupe, Bailey mentionne pour la premire fois que la crdi-
bilit pourrait tre utilise hors du domaine de lassurance gnrale. Malheu-
reusement pour Bailey, le manque de popularit de lapproche bayesienne au
sein de la communaut statistique au moment de la parution relguera son
article dans lombre. Sans doute lapproche trs thorique de larticle, pu-
bli dans une revue essentiellement de praticiens, aura-t-elle aussi contribu
cet tat de fait. Pourtant, dans un avenir pas si lointain, les travaux de
Bailey seront reconnus pour leur importance et leur avant-gardisme. Cette
reconnaissance proviendra cependant majoritairement doutre-Atlantique.
Lapport de Bailey la thorie de la crdibilit peut tre rsum en deux
points principaux : lintroduction explicite du principe de Bayes dans le pro-
cessus de tarication et la dcouverte de la linarit de lestimateur bayesien
sous certaines conditions
6
Ces dveloppements parvinrent aux oreilles de
5. De la forme c
0
+
i,j
c
ij
X
ij
.
6. Sur ce point toutefois, il est difcile de savoir qui fut le pionnier. Norberg (1979) relve
que Keffer (1929) a obtenu le mme rsultat pour le modle Poisson/gamma. Toujours selon
Norberg, il existerait aussi des rfrences antrieures 1929.
1.3. Et les actuaires dans tout a ? 9
la communaut actuarielle europenne par la bouche de Bruno de Finetti
au colloque de ASTIN Trieste, en 1963. Depuis quelques annes dj, les
chercheurs europens tchaient de trouver une justication thorique ces
formules de crdibilit amricaines qui fonctionnaient si bien. Lapproche
bayesienne avait l aussi fait des progrs importants, notamment grce
Bruno de Finetti dans les annes 30 et Ove Lundberg dans les annes 40.
Paralllement tout cela, une nouvelle branche de la thorie bayesienne
voyait le jour sous linitiative de Herbert Robbins : lapproche bayesienne em-
pirique. Celle-ci sera dune importance capitale dans le dveloppement futur
de la crdibilit de prcision puisquelle lui permettra de sauter le mur entre
la thorie et la pratique. Lapproche bayesienne empirique (Robbins, 1955,
1964) sattaque au principal problme pratique de lapproche bayesienne
pure, soit la frquente ignorance de la distribution a priori. Jusqualors, lors-
quune telle situation se prsentait, il tait coutume dviter le problme en
rfutant laspect alatoire dune partie de la dcision (Neyman, 1962). Gros-
sirement, la thse de Robbins consiste supposer que, bien quelle soit in-
connue, la distribution a priori existe et quil est possible de lestimer ne
serait-ce quindirectement partir de donnes issues de plusieurs exp-
riences similaires. Selon lui (Robbins, 1964) :
Lapproche bayesienne empirique de problmes statistiques de
prise de dcision est applicable lorsque la mme dcision se pr-
sente rptition et indpendamment avec une distribution xe,
mais inconnue du paramtre. (Traduction libre)
Comme devait plus tard le mentionner Bhlmann, cela cadre admirable-
ment bien avec le problme de lexperience rating.
Tous ces lments les travaux de Bailey, la popularit grandissante
des approches bayesienne et bayesienne empirique taient runis lors du
congrs de ASTIN de 1965, Lucerne. Hans Bhlmann y rednit alors le
problme fondamental en experience rating et prsente la solution qui allait
rvolutionner la thorie de la crdibilit. En forant la prime bayesienne tre
linaire, Bhlmann (1967, 1969) obtient, dans un cadre non paramtrique, un
facteur de crdibilit de la forme z = n/(n + K), avec une expression simple
et gnrale pour K. Le virage sera alors dnitivement pris en faveur de
lapproche de prcision et lessentiel de la recherche se fera en Europe. Cest
pourquoi lapproche traitant lhtrognit est aujourdhui souvent appele
crdibilit europenne malgr quelle origine des tats-Unis (notamment
dans les travaux de Bailey). Lapproche de stabilit, limited uctuations, a par
consquent reu lappellation crdibilit amricaine.
On peut sans crainte poser que le clbre modle de Bhlmann marque
le dbut de lhistoire contemporaine de la thorie de la crdibilit. Celle-ci
tant bien davantage documente et connue, on va maintenant se contenter
de prsenter chronologiquement les principaux modles qui suivirent celui
de Bhlmann
7
. La plupart de ces modles se veulent des gnralisations,
7. La liste ne comporte que les principaux modles et nest donc en rien exhaustive.
10 Historique et volution de la thorie de la crdibilit
de plus en plus pousses, du modle original de Bhlmann et bon nombre
dentres eux seront tudis ultrieurement dans ce mmoire.
Le modle de Bhlmann se dcompose lui-mme en deux parties commu-
nment appeles modle original et modle classique. Le premier pose
les bases de la nouvelle thorie, tandis que lapport de la thorie bayesienne
empirique fait du second un modle plus pratique. La premire gnralisa-
tion de ces modles voit le jour en 1970, alors que Bhlmann sadjoint son
tudiant au doctorat Erwin Straub pour dvelopper le trs clbre modle qui
portera leurs noms (Bhlmann et Straub, 1970). Lajout de poids aux donnes
et la dnition destimateurs des paramtres de structure constituent les prin-
cipales amliorations au modle de Bhlmann. Elles sont toutefois de taille
et permettront la crdibilit de prcision de vritablement faire une perce
dans la pratique de lassurance. Le modle de BhlmannStraub constitue
encore aujourdhui un standard et est couramment utilis dans les compa-
gnies dassurance, en Europe surtout.
En 1974, Jewell fait la premire de ses deux plus grandes contributions
au dveloppement de la thorie de la crdibilit. Il dmontre (Jewell, 1974)
que lestimateur bayesien est linaire pour toute fonction de vraisemblance
membre de la famille exponentielle utilise avec sa conjugue naturelle. Ce
faisant, Jewell ne fait que conrmer certains des rsultats obtenus avant lui
par Bailey (1950) et Mayerson (1964), mais les unie en une formulation g-
nrale.
Les deux annes suivantes furent fastes pour la thorie de la crdibilit.
Dabord, Hachemeister (1975) gnralise le modle de BhlmannStraub en
incorporant la rgression linaire la thorie de la crdibilit de prcision.
Plus tard, on poussera mme cette ide un peu plus loin en tudiant la r-
gression non-linaire (De Vylder, 1985). Puis, non satisfait de la manire qua
le modle de BhlmannStraub dintgrer la prime les donnes collat-
rales, Jewell (1975) prsente sa solution : la crdibilit hirarchique. Ce qui
est maintenant appel le modle hirarchique de Jewell constitue une impor-
tante gnralisation de plusieurs modles de crdibilit. Toujours en 1975,
Gerber et Jones (1975) dnissent les proprits et les conditions menant
des primes de crdibilit de type mise jour (updating type). En 1976,
(De Vylder, 1976b) prsente ses modles de crdibilit semi-linaire et semi-
linaire optimal. La mme anne, il propose une formulation du problme
de la crdibilit en termes despaces de Hilbert (De Vylder, 1976a). Norberg
et Taylor (1977) se sont galement intresss ltude de la thorie de la cr-
dibilit dans le cadre abstrait des espaces de Hilbert. Norberg (1979) a publi
un imposant article rvisant lessentiel de la thorie de la crdibilit connu
jusqualors. Il sagit, encore aujourdhui, dune rfrence de choix pour qui
dsire approfondir des connaissances de base en thorie de la crdibilit.
Si les annes 70 furent celles de lapparition de nombreux modles de
crdibilit de prcision, les annes 80 furent plutt celles de ltude des esti-
mateurs des paramtres de structure. De Vylder (1978, 1981, 1984) sest alors
avr un acteur important, de mme que Norberg (1980), Gisler (1980) et
Dubey et Gisler (1981). On doit ces derniers la premire tude exhaustive
1.4. En conclusion 11
des proprits asymptotiques des estimateurs de variance dans le modle
de BhlmannStraub. La dcouverte de nouveaux estimateurs et leur ma-
trise va permettre la plus large diffusion de la crdibilit de prcision. Des
volumes sur le sujet sont publis (Goovaerts et collab., 1990) dont certains
(Goovaerts et Hoogstad, 1987) sont expressment destins aux actuaires u-
vrant dans les compagnies dassurance. De nombreux articles importants en
thorie de la crdibilit sont publis par des chercheurs au service de com-
pagnies dassurance : mentionnons Straub, Sundt, Dubey, Gisler, Reinhard
ou mme Goovaerts, titre de consultant. Cela contribue donc populariser
lutilisation de la thorie dans des applications pratiques.
La priode stendant du milieu des annes 80 jusquau dbut des an-
nes 90 a t marque par un ralentissement dans la recherche en thorie de
la crdibilit. Au cours des dernires annes cependant, on note un regain
dintrt pour la recherche destimateurs des paramtres de structure plus
efcaces et dont les proprits seraient davantage connues. Ainsi, Knsch
(1992) et Gisler et Reinhard (1993) introduisent la statistique robuste en tho-
rie de la crdibilit, ce qui ouvre par le fait mme un nouveau et vaste champ
de recherche. De leur ct, De Vylder et Goovaerts, toujours trs actifs dans le
domaine, proposent dans une srie darticles des estimateurs optimaux sous
certaines conditions (De Vylder et Goovaerts, 1991, 1992a,b). Des recherches
sont prsentement en cours desquelles, nous promet-on, devraient ressortir
de toutes nouvelles faons de trouver des estimateurs pour les principaux
modles de crdibilit.
La grande majorit des intresss la thorie de la crdibilit se rallient
au modle de base propos par Bhlmann de mme qu ses extensions. De
plus, lhistorique trac ci-dessus correspondant ce qui est gnralement ad-
mis dans le domaine. une exception prs semble-t-il : Zehnwirth (1991) qui,
sans renier les travaux de Bhlmann, a une manire bien lui de concevoir
et prsenter la thorie de la crdibilit de prcision. Selon lui, les formules
de crdibilit sont si troitement lies la rgression linaires quelles nen
seraient que de simples drivs. Karl Friedrick Gauss tant lorigine de cer-
tains types de formules de rgression, Zehnwirth en arrive la conclusion
suivante : cela signie que Gauss (1795) a driv la plupart des formules de
crdibilit.
1.4 En conclusion
Ce chapitre sest ouvert sur une prsentation de lapproche bayesienne en
statistiques. Celle-ci allait en quelque sorte devenir le dnominateur commun
des deux thories par la suite tudies, celle de Bertrand Russell et la thorie
actuarielle de la crdibilit. Ce pont permet lintressante comparaison de la
dnition donne par Russell au mot crdibilit sa signication actua-
rielle. On voit ainsi quen actuariat comme dans la philosophie de Russell,
la crdibilit apparat lors du passage du gnral au particulier, soit lors de
la tarication dun assur pris isolment et non plus comme simple membre
12 Historique et volution de la thorie de la crdibilit
dun groupe. Le traitement de linformation a priori ainsi que le gain margi-
nal de crdibilit dcroissant en thorie de la crdibilit de stabilit ou la
crdibilit de prcision. L nen est pas le bus de toute faon, puisque cha-
cune de ces deux thories est valable en soi, seuls leurs buts tant diffrents.
Au dbut de la section prcdente, il a t mentionn que la thorie de
la crdibilit en tait son adolescence. Ce nest l que lopinion de lauteur,
quil justie en mentionnant quil serait prmatur de croire que la thorie a
atteint sa pleine maturit. Le rcent regain dintrt pour le sujet de la part
des chercheurs en tmoigne dailleurs et dmontre que son potentiel nest pas
puis. De plus, constatant quel point la thorie est galvaude en Amrique
du Nord, force est dafrmer que pour prtendre la majorit, la crdibilit
devra dabord savoir safrmer dans ses diffrentes facettes.
2 Crdibilit amricaine ou de
stabilit
2.1 Le montant total des sinistres, S, a une distribution binomiale compose
de paramtres n = 1 000 et = 0,6. La distribution du montant des si-
nistres est une log-normale de paramtres = 3 et = 4. Calculer E[S] et
Var[S].
2.2 Sachant que le nombre de sinistres a une distribution binomiale ngative
de paramtres n = 4 et = 0,5 et que la svrit dun sinistre a une dis-
tribution gamma de paramtres = 2 et = 0,5 calculer lesprance et la
variance du montant total des sinistres, S.
2.3 Interprter lingalit suivante :
Pr [0,96E[S] S 1,04E[S]] 0,95.
2.4 Driver une formule gnrale pour dterminer le niveau de crdibilit
complte dordre (k, p) pour

S = (S
1
+ +S
n
)/n lorsque la distribution
du montant total des sinistres est une Poisson compose.
2.5 Soit N Poisson(256), X Pareto(3, 0,05) et S = X
1
+ + X
N
.
a) Quelle est la plus petite marge derreur admissible autour de E[S]
faisant toujours en sorte que S a une crdibilit complte 90 %?
Interprter brivement le rsultat.
b) Quelle est la plus petite marge derreur admissible autour de E[

S]
faisant toujours en sorte que

S a une crdibilit complte 90 % aprs
10 annes ?
2.6 Dans son article de 1914, Mowbray cherche dterminer le nombre mini-
mal demploys (payroll exposure) quun employeur doit avoir sous contrat
pour que son exprience puisse tre considre compltement crdible
(dependable). Mowbray suppose que la frquence des accidents chez un
employeur suit une distribution binomiale de paramtres n le nombre
demploys et la probabilit quun employ ait un accident (sup-
pose connue). Trouver la formule donnant le nombre demploys assu-
rant une crdibilit complte dordre (k, p).
13
14 Crdibilit amricaine ou de stabilit
2.7 Sachant que la variable alatoire S de lexprience des contrats obit
une loi N(,
2
), trouver, pour une priode dexprience, la relation entre
et pour avoir une crdibilit complte dordre (k, p) pour chacune
des combinaisons de k et p suivantes.
a) (0,04, 0,95)
b) (0,05, 0,90)
c) (0,01, 0,98)
2.8 Sachant que S N(,
2
) et

S = (S
1
+ +S
9
)/9, o S
1
, . . . , S
9
sont toutes
des variables alatoires mutuellement indpendantes distribues comme
S, dterminer la relation entre et faisant en sorte que

S a une crdi-
bilit complte dordre (k, p) pour chacune des combinaisons de k et p
suivantes.
a) (0,05, 0,90)
b) (0,05, 0,95)
c) (0,01, 0,90)
d) (0,01, 0,95)
2.9 Juliette travaille au dpartement de tarication dune compagnie dassu-
rance trs active en assurance automobile. la suite dune analyse de
donnes exhaustive, Juliette peut afrmer que la frquence des sinistres
pour ce type de produit a une distribution binomiale ngative de para-
mtres r et = 0,01. La svrit des sinistres, quant elle, suit une loi
gamma de paramtres = 0,02 et = 1. Trouver la plus petite valeur de
r telle que le montant total des sinistres dun contrat dassurance auto-
mobile sera plus ou moins 5 % gal sa moyenne, 19 fois sur 20.
2.10 Soit S
j
le montant total des sinistres pour un assur la priode j =
1, . . . , n tel que
S
j
= X
1
+ X
2
+ + X
N
j
,
o X
1
, X
2
, . . . sont les montants individuels des sinistres dont la distri-
bution est dgnre en M et N
j
suit une loi de Poisson de paramtre .
Calculer le nombre total de sinistres espr minimal pour accorder une
crdibilit complte dordre (0,04, 0,90) lexprience individuelle

S.
2.11 Soit S
j
le montant total des sinistres pour un assur la priode j =
1, . . . , n et S
j
Poisson compose(, F
X
()). Le montant dun sinistre in-
dividuel a une variance de 100 et une esprance de 5. Dterminer le
nombre minimal espr de sinistres pour accorder une crdibilit com-
plte selon les critres ci-dessous.
a) Le montant total des sinistres demeure 3 % ou moins du montant
espr avec une probabilit de 95 %.
b) Le nombre total de sinistres demeure 3 % ou moins du nombre
espr avec une probabilit de 95 %.
Crdibilit amricaine ou de stabilit 15
2.12 Une compagnie assure deux groupes ayant la mme loi de Poisson pour
la frquence de leurs sinistres individuels. Cependant, les individus du
groupe A ne peuvent avoir que des sinistres de 50 alors que les individus
du groupe B ont des sinistres obissant une loi gamma de moyenne
50. Si lon sait que lobservation de 1 000 sinistres est sufsante pour
accorder une crdibilit complte au groupe A et que 3 000 sinistres
sont ncessaires pour accorder une crdibilit complte de mme ordre
au groupe B, calculer les paramtres de la loi gamma en question.
2.13 Dans un modle Poisson compose, on accorde une crdibilit complte
dordre (0,05, p) au nombre total de sinistres si le nombre de sinistres
observ est suprieur 1 000. Quel doit tre le nombre de sinistres mini-
mal que lon doit observer pour accorder une crdibilit dordre (0,25, p)
au montant total des sinistres si le montant dun sinistre individuel suit
une loi Gamma(2, 2) ?
2.14 Pour ses calculs relatifs ladmission au rgime rtrospectif, la CSST
peut nemployer que la frquence des sinistres, ou encore la frquence
ainsi que la svrit. Dans le premier cas, le nombre minimal demploys
pour tre admissible au rgime rtrospectif est de 6 494 en supposant
que la probabilit davoir un accident est de 0,04. Sachant que le coef-
cient de variation de la svrit des sinistres est de 2, que devient le
seuil dadmissibilit lorsque la svrit est galement prise en compte
dans les calculs ?
2.15 Le montant total des sinistres a une distribution Poisson compose o
les montants de sinistres individuels proviennent dune loi Pareto de pa-
ramtres = 3 et = 100. Lorsque la largeur de lintervalle de conance
autour de la moyenne est 5 % de celle-ci, le seuil de crdibilit complte
est 2 500. On dcide de changer la distribution de la frquence des si-
nistres pour une binomiale ngative avec =0,5. Si le seuil de crdibilit
complte et le niveau de conance de lintervalle autour de la moyenne
demeurent tous deux inchangs, quelle est la nouvelle largeur de lin-
tervalle de conance ?
2.16 On vous donne les renseignements suivants :
(i) S =
N
j=1
X
j
et les variables alatoires X
j
sont mutuellement ind-
pendantes et indpendantes de N.
(ii) X
j
Pareto(3, 3)
(iii) N Binomiale ngative(r, 1/3).
Calculer la valeur minimale de r pour que lon puisse accorder une cr-
dibilit complte dordre (0,05, 0,90) S. Utiliser lapproximation nor-
male.
2.17 Soit S la variable alatoire du montant total des sinistres pour un porte-
feuille dassurance. Sachant que S Poisson compose(, F
X
()), trou-
ver le seuil de crdibilit complte en termes du nombre espr de si-
nistres selon les hypothses de distribution suivantes.
16 Crdibilit amricaine ou de stabilit
a) Pr[X = 1] = 1 (dgnre en 1), k = 0,05 et p = 0,90.
b) X Exponentielle(2), k = 0,04, p = 0,95.
c) Si le seuil de crdibilit complte selon les conditions en b) nest pas
atteint, quel facteur de crdibilit partielle accorderait-on

S pour
une priode dexprience (en fonction de ) ?
2.18 Lactuaire de la compagnie ABC croit quil faudrait 3 000 sinistres pour
accorder une crdibilit complte un assur dun groupe si la svrit
est constante. Aprs une tude, il se rend compte que la svrit suit
plutt une loi de Pareto de moyenne 1 000 avec = 3. Si le nombre de
sinistres obit une loi de Poisson, combien de sinistres doit-on avoir
observ si lon a accord, aprs une priode dexprience, une crdibilit
de 0,5 lexprience individuelle de lassur ?
2.19 On vous donne les informations suivantes :
(i) Le nombre de sinistres suit une loi de Poisson.
(ii) Le montant des sinistres a une distribution log-normale avec un
coefcient de variation de 3.
(iii) Le nombre et les montants de sinistres sont indpendants.
(iv) Le nombre de sinistres la premire anne fut de 1 000.
(v) Le montant total des sinistres la premire anne fut de 6,75 mil-
lions.
(vi) La prime collective pour la seconde anne est de 5,00 millions.
(vii) Le volume du contrat est le mme pour la premire et la seconde
anne.
(viii) Le niveau de crdibilit complte assure que le montant total des
sinistres sera 5 % de la moyenne 95 % du temps.
Dterminer la prime de crdibilit (partielle) selon lapproche de cr-
dibilit de stabilit. Calculer le niveau de crdibilit complte sur le
nombre dannes dexprience et utiliser la formule de la racine carre
pour calculer le facteur de crdibilit.
2.20 On vous dit que S Poisson compose(, F
X
()). La frquence annuelle
espre des sinistres est value 0,035. La grandeur minimale du por-
tefeuille de lassureur pour accorder une crdibilit complte lexp-
rience est 103 500. Pour accorder une crdibilit de 0,67 lexprience
dune priode, quelle doit tre la grandeur minimale du portefeuille ?
2.21 Les contrats dune compagnie dassurance pour un certain type de pro-
duit ont les caractristiques ci-dessous.
Nombre de sinistres Montant des sinistres
Esprance 10 5 000
Variance 10 6 250 000
Crdibilit amricaine ou de stabilit 17
Une crdibilit complte est accorde lexprience dun contrat aprs
n annes si celle-ci se concentre dans un intervalle de 10 % autour de sa
moyenne avec probabilit de 90 %. Dterminer aprs combien dannes
dexprience le facteur de crdibilit partielle sera de 0,54 selon chacune
des formules de crdibilit partielle ci-dessous.
a) z =
_
n
n
0
_
1/2
b) z =
_
n
n
0
_
2/3
Exercices proposs dans Loss Models
2
e
dition : 16.7, 16.10, 16.11, 16.12, 16.13, 16.15, 16.16.
3
e
dition : 20.1, 20.4, 20.5, 20.6. 20.7, 20.9, 20.10.
Rponses
2.1 E[S] = 89 047, Var[S] = 713 633 042
2.2 E[S] = 16, Var[S] = 160
2.3 On veut tre certain au moins 95 % que lexprience individuelle dun
assur ne varie pas de plus de 4 % autour de la prime pure ; on veut une
crdibilit complte dordre (0,04, 0,95).
2.4 n
1
(
/2
/k)
2
(1 + CV(X)
2
)
2.5 a) k 0,2056 b) k 0,065
2.6 n (
/2
/k)
2
(1 )/
2.7 a) 49 b) 32,9 c) 232,6
2.8 a) 10,97 b) 13,07 c) 54,83 d) 65,33
2.9 r 2 328,24
2.10 1 692
2.11 a) 21 343 sinistres b) 4 269 sinistres
2.12 = 1/2, = 1/100
2.13 60 sinistres
2.14 33 552
2.15 13 975
2.16 r 3247,23
18 Crdibilit amricaine ou de stabilit
2.17 a) 1 082 b) 4 802 c)

/4 802
2.18 3 000 sinistres
2.19 5,45
2.20 46 462
2.21 a) 9,86 annes b) 13,42 annes
3 Crdibilit bayesienne
3.1 Un portefeuille dassurance automobile est compos de 35 % de bons
conducteurs, 40 % de conducteurs moyens et 25 % de mauvais conduc-
teurs. Lactuaire a estim que les bons conducteurs ont, en moyenne,
un accident par 10 ans, les conducteurs moyens, deux accidents et les
mauvais conducteurs, six accidents. Lactuaire suppose de plus que la
frquence des accidents a une distribution de Poisson. Par souci de sim-
plicit, les sinistres sont tous dun montant de 1.
a) Quelle est la probabilit quun assur choisi au hasard ait un accident ?
b) Calculer la prime de risque pour chacun des trois types de conduc-
teurs.
c) Calculer la prime collective.
d) Calculer la prime bayesienne de sixime anne dun contrat ayant le
dossier suivant au cours des cinq premires annes : 1, 0, 1, 1, 0.
3.2 Le Zchoulp se joue avec deux ds six faces. Le premier est un d usuel,
dont les faces sont numrotes de 1 6. Le second d a deux faces num-
rotes 5 et les autres numrotes de 1 4.
a) Un d est choisi au hasard et lanc. Quelle est la probabilit dobtenir
un 5 ?
b) Si le rsultat du lancer en a) est un 5 et que le mme d est relanc,
quelle est la probabilit dobtenir nouveau un 5 ?
3.3 Deux urnes contiennent chacune une pice de monnaie. La pice dans
lurne A tombe sur face 40 % des fois et celle dans lurne B, 80 % des fois.
On choisit une urne au hasard (la probabilit de choisir lurne A est la
mme que celle de choisir lurne B) et on prend la pice qui sy trouve.
On lance la pice en lair cinq fois et elle retombe sur pile quatre fois. Si
lon lance la pice cinq autres reprises, quel est le nombre espr de fois
que la pice retombera sur pile ?
3.4 Les employeurs couverts par le rgime dassurance mdicament dun as-
sureur sont classs par ce dernier dans trois groupes de taille gale. La
probabilit de subir un sinistre dans une priode pour chacun de ces
groupes est donne dans le tableau ci-dessous.
19
20 Crdibilit bayesienne
Groupe Probabilit de sinistre
Frquence faible 10 %
Frquence moyenne 20 %
Frquence leve 40 %
Lassureur suppose de plus que les sinistres sont indpendants lint-
rieur de chacun des groupes.
a) Quelle est la probabilit quun employeur choisi au hasard dans ce
portefeuille ait un sinistre ?
b) Aprs deux annes dexprience, lemployeur choisi en a) prsente un
dossier de sinistre vierge. la lumire de ces rsultats, quelle est la
probabilit que cet employeur fasse partie du groupe frquence de
sinistre faible ?
c) Quelle est maintenant la probabilit que lemployeur mentionn ci-
dessus ait un sinistre lors de la troisime anne ?
3.5 On souhaite tester si une pice de monnaie est quilibre ou non (proba-
bilit de
1
2
de tomber sur pile ou face). Lincertitude quant la probabilit
dobtenir, disons, pile lors dun lancer de la pice est traduite en une va-
riable alatoire . Celle-ci est distribue selon une loi Bta de paramtres
>0 et >0.
a) Trouver E[].
b) La pice de monnaie est lance n fois. La variable alatoire S repr-
sente le nombre de fois que la pice est tombe sur face. Trouver la
distribution a posteriori de .
c) Une petite exprience pratique maintenant, aussi ludique quenrichis-
sante. Jouer pile ou face une bonne dizaine de fois avec une pice
quelconque. Enregistrer une valeur de 0 pour pile et 1 pour face.
Aprs chaque lancer, calculer la distribution a posteriori de et en
faire un graphique approximatif. On peut aussi utiliser les fonctions
curve et dbeta de R pour faire les graphiques. Par exemple, pour tra-
cer la densit dune bta avec = 4 et = 2 on fera
> curve(dbeta(x, 4, 2), from = 0, to = 1)
Observer les dplacements de la densit en fonction des rsultats.
Commencer lexprience avec = = 1, soit U(0, 1).
d) Quelle est votre estimation de la probabilit dobtenir pile au onzime
lancer de la pice si vous ignorez les rsultats des dix premiers lan-
cers ?
e) Quelle est maintenant votre estimation si vous connaissez les rsultats
des dix lancers effectus en c) ?
3.6 Votre opinion a priori quant la distribution du montant des sinistres est
une loi de Pareto de paramtres = 10 et = 1, 2 ou 3, ces valeurs de
Crdibilit bayesienne 21
tant toutes quiprobables. Pour un contrat choisi au hasard, vous obser-
vez par la suite un sinistre dun montant de 20. Dterminer la probabilit
que le montant du prochain sinistre de ce contrat soit suprieur 30.
3.7 On demande Camille dlaborer un modle pour la frquence des
sinistres au sein dun portefeuille compos de dix contrats. Incertaine
quant la probabilit davoir un accident, Camille estime 20 % la pos-
sibilit que la probabilit soit de 0,04, 60 % quelle soit de 0,10 et 20 %
quelle soit de 0,16.
a) Quel est le modle de Camille pour N, le nombre total daccidents du
portefeuille au cours dune anne ?
b) Quelle est la probabilit quil y ait 0, 1 et 2 accidents au cours dune
anne ?
c) Comparer ces rsultats avec la situation o Camille serait certaine que
la probabilit daccident est de 0,10.
3.8 Soit S| Gamma(2, ) et
1
Bta(2, 1). Trouver Var[S].
3.9 Soit S la variable alatoire reprsentant le nombre de sinistres dun contrat
dassurance au cours dune anne. Le nombre de sinistres a une distri-
bution de Poisson de paramtre inconnu . La fonction de densit de
probabilit de est la suivante :
u() =
5
4
1

2
, 1 < <5.
a) Calculer Pr[S = 2].
b) Calculer Pr[S
3
= 0|S
1
= 1, S
2
= 1].
c) Calculer la prime bayesienne de troisime anne tant donn lexp-
rience en b).
3.10 La compagnie YARD assure un groupe de maisons contre les incendies.
Son actuaire a divis les maisons en trois classes de risque quipro-
bables : A, B et C. La probabilit quune maison prenne feu dans une
anne est de
1
4
, quelle que soit la classe. La distribution du montant
payer sachant quil y a eu incendie est donne dans le tableau ci-
dessous. Quelle est la prime bayesienne pour la deuxime anne pour
un assur qui a eu un sinistre de 30 000 $ lanne dernire ?
Probabilit
Montant du sinistre Classe A Classe B Classe C
10 000 3/5 0 1/5
20 000 1/5 1/2 1/5
30 000 1/5 1/2 3/5
3.11 Vous savez que le nombre de sinistres pour un assur est distribu selon
une loi de Poisson de paramtre alatoire. Ce paramtre est distribu
selon une loi gamma avec moyenne 2 et variance 2. De plus, tout sinistre
est dun montant de 1 $.
22 Crdibilit bayesienne
a) Trouver la prime qui devrait tre exige dun nouvel assur.
b) Trouver la prime bayesienne pour la quatrime anne si cet assur a
eu huit sinistres au cours de ses trois premires annes.
3.12 Le nombre annuel daccidents dun assur suit une loi binomiale de
paramtre n = 2. Il y a toutefois incertitude quant la probabilit que
cet assur ait un accident. Trois valeurs sont juges possibles :
1
4
,
1
2
et
1
8
et ce, avec probabilit 25 %, 25 % et 50 %, respectivement. Lassur
na eu aucun accident la premire anne et deux accidents la deuxime
anne.
a) Calculer la distribution rvise de la lumire des deux premires
annes dexprience.
b) Calculer le nombre espr daccidents de cet assur pour la troisime
anne.
3.13 On simule une exprience de sinistre comme suit : on lance un d, et on
pose le rsultat gal . Connaissant , on simule un nombre alatoire
dune distribution uniforme sur [0, 100].
a) Trouver la prime bayesienne si des rsultats de 80 et 340 ont t
obtenus lors des deux premiers essais.
b) Est-il possible dcrire la prime bayesienne sous forme dune prime
de crdibilit ? Si oui, trouver le facteur de crdibilit.
3.14 On suppose que S
j
| = suit une loi Gamma(2, ). On fait lhypothse
que la fonction de densit de probabilit de est la suivante :
u() =
_
/50, 0 < <10
0, ailleurs.
On simule deux valeurs de S et on obtient x
1
= 1 et x
2
= 1. Quelle est
maintenant la distribution a posteriori de pour ce simulateur ?
3.15 On vous donne les informations ci-dessous au sujet dun rgime das-
surance dentaire.
i) La frquence des sinistres des assurs suit une loi de Poisson.
ii) La moiti des assurs a en moyenne deux sinistres par anne.
iii) Lautre moiti a en moyenne quatre sinistres par anne.
Un assur choisi au hasard au sein du portefeuille a eu quatre sinistres
dans chacune des deux premires annes.
a) noncer le modle complet utilis ici par lassureur.
b) Dterminer lestimateur bayesien du nombre de sinistres de cet as-
sur pour la troisime anne.
3.16 Un portefeuille dassurance est compos de 25 % de bons risques, 60 %
de risques moyens et 15 % de mauvais risques. Tous les risques ont
une distribution de sinistres de type gamma, mais dont les paramtres
diffrent selon le tableau ci-dessous.
Crdibilit bayesienne 23
Type de risque
Bon 4 2
Moyen 4 1
Mauvais 10 2
Le dossier de sinistre dun risque choisi au hasard est de 1 et 2 au cours
des deux premires annes. Calculer la prime bayesienne de ce risque
pour la troisime anne.
3.17 Considrer linformation suivante au sujet de deux groupes de contrats.
i) La frquence des sinistres des contrats du groupe A a une distribu-
tion de Poisson de moyenne 1 par anne.
ii) La frquence des sinistres des contrats du groupe B a une distribu-
tion de Poisson de moyenne 3 par anne.
iii) Les montants de sinistres des contrats du groupe A a une distribu-
tion exponentielle de moyenne 1.
iv) Les montants de sinistres des contrats du groupe B a une distribu-
tion exponentielle de moyenne 3.
v) Les deux groupes sont composs dun nombre gal de contrats.
vi) lintrieur de chaque groupe, la frquence et la svrit des si-
nistres sont indpendantes.
Un contrat choisi au hasard a deux accidents au cours de la premire
anne. Le montant de ces sinistres est de 1 et 3.
a) noncer le modle pour la frquence et la svrit des sinistres dans
ce portefeuille.
b) Calculer lesprance a posteriori du montant total des sinistres du
contrat choisi ci-dessus. (Note : calculer lesprance du montant total
des sinistres comme le produit de lesprance de la frquence et de
lesprance de la svrit des sinistres.)
3.18 Soit un modle gomtrique/bta, cest--dire
Pr[S = x| = ] = (1 )
x
, x = 0, 1, . . .
et
u() =
( + )
()()

1
(1 )
1
, 0 < <1.
a) Calculer la prime de risque.
b) Calculer la prime collective.
c) Calculer la distribution a posteriori de aprs n annes dexprience
S
1
, . . . , S
n
.
d) Calculer la distribution prdictive de S
n+1
.
24 Crdibilit bayesienne
e) Calculer la prime bayesienne partir du rsultat en c) ou celui en d).
Pourquoi avoir choisi une approche plutt quune autre ?
f) Exprimer la prime bayesienne en e) comme une prime de crdibilit.
3.19 Soit S| Binomiale(, ) et Bta(, ).
a) Dterminer la prime de risque.
b) Dterminer la prime collective.
c) Dterminer la distribution a posteriori de aprs n annes.
d) Dterminer la prime bayesienne pour la (n + 1)
e
anne et vrier si
celle-ci peut sexprimer comme une prime de crdibilit ou non.
3.20 Soit S| Gamma(, ) et Gamma(, ).
a) Dterminer la distribution marginale de S. Identier cette distribu-
tion trois paramtres.
b) Calculer la prime de risque.
c) Calculer la prime collective, dabord laide de la distribution mar-
ginale de S, puis comme la moyenne des primes de risque.
d) Dterminer la distribution a posteriori de aprs n annes dexp-
rience S
1
, . . . , S
n
.
e) Dterminer la distribution prdictive de S
n+1
.
f) Calculer la prime bayesienne, dabord partir de la distribution a
posteriori de , puis partir de la distribution prdictive.
g) La prime bayesienne est-elle une prime de crdibilit ?
3.21 Soit S|= Exponentielle(), Gamma(7, 42), la prime bayesienne
de cinquime anne est 9 et celle de sixime anne, 8,5. Trouver x
5
.
3.22 Vous utilisez un modle Poisson/gamma pour la tarication dun contrat
dassurance. Les paramtres du modle sont tels quaprs quatre annes
le facteur de crdibilit de ce contrat serait de 0,8. Si vous changez les
hypothses de telle sorte que la variance de la distribution de est
double, mais que lesprance demeure inchange, combien dannes
faudra-t-il au contrat pour atteindre un niveau de crdibilit de 0,8 ?
3.23 Pour un modle Poisson/gamma, on vous donne
Pr[S
3
= x|S
1
= 1, S
2
= 2] =
_
6 + x
x
_
(0,9)
7
(0,1)
x
, x = 0, 1, . . . .
Quelle est lesprance de la distribution a priori de ?
3.24 On suppose que la distribution de S
t
| = est une Exponentielle() et
que la distribution a priori de est une Gamma(2, 8). Calculer Pr[S
4

5|S
1
= 2, S
2
= 3, S
3
= 7].
Crdibilit bayesienne 25
3.25 Un contrat dassurance a encouru les sinistres suivants sur une priode
de cinq annes : 3, 1, 5, 4, 2. On utilise un modle Poisson/gamma.
Calculer la prime de crdibilit de ce contrat pour la sixime anne pour
chacune des combinaisons de paramtres de la distribution gamma ci-
dessous. Interprter les diffrences entre les primes de crdibilit.
a) = 10, = 5
b) = 50, = 25
c) =
1
2
, =
1
4
3.26 La distribution marginale du montant total des sinistres dun contrat
dassurance est
f (x) =
1 500
(100 + x)
2,5
, x >0.
Sous les hypothses usuelles en thorie de la crdibilit, quel est le mon-
tant total des sinistres espr aprs cinq annes sans accident ?
3.27 Les montants de sinistres dun contrat furent de S
1
= 7, S
2
= 13, S
3
=
1, S
4
= 4 au cours des quatre premires annes quil tait couvert par
votre compagnie dassurance. Votre exprience antrieure avec ce type
de contrat vous permet de postuler le modle suivant pour les montants
de sinistres de ce contrat :
Pr[S = x| = ] =
_
x + 4
4
_

5
(1 )
x
, x = 0, 1, . . . ,
u() = 504
5
(1 )
3
, 0 < <1.
Calculer la prime bayesienne de cinquime anne.
3.28 Pour un certain modle Poisson/gamma, on a
Pr[S
3
= s
3
|S
1
= 1, S
2
= 2] =
_
6 + s
3
s
3
_
(0,9)
7
(0,1)
s
3
, s
3
= 0, 1, . . . .
Trouver la covariance entre S
1
et S
2
.
3.29 On dmontre dans cet exercice le rsultat obtenu par Jewell (1974),
savoir que la prime bayesienne issue dun mlange dune distribution
de la famille exponentielle avec sa conjugue naturelle est une prime de
crdibilit. Soit donc la variable alatoire S| = dont la distribution
est membre de la famille exponentielle univarie, cest--dire
f (x|) =
p(x)e
x
q()
,
o p() et q() sont des fonctions quelconques.
a) Dmontrer que la conjugue naturelle de f (x|) est
u() =
q()
t
0
e
x
0
d(t
0
, x
0
)
,
26 Crdibilit bayesienne
o t
0
>0, x
0
>0 et d(t
0
, x
0
) =
_

q()
t
0
e
x
0
d. (Astuce : dmontrer
que la distribution a posteriori u(|x
1
, . . . , x
n
) est de la mme famille
que la distribution a priori u().)
b) Dmontrer que
() =
q

()
q()
=
d
d
lnq().
c) Dmontrer que
d
d
u() = (t
0
() x
0
)u().
d) En intgrant lquation en c) de part et dautre par rapport et
en supposant que u() = 0 aux deux extrmits de son domaine de
dnition, dmontrer que la prime collective est E[()] = x
0
/t
0
.
e) Avec ce qui prcde, trouver la prime bayesienne et dmontrer quil
sagit dune prime de crdibilit.
3.30 La variable alatoire S|= a une distribution exponentielle de moyenne
et une distribution gamma de paramtres et . Dmontrer que,
dans un tel cas, la distribution gamma nest pas la conjugue naturelle
de lexponentielle.
3.31 Dmontrer que Gamma(, ) est la conjugue naturelle de S| =
Gamma(, ) et trouver les paramtres de la distribution a posteriori
de .
3.32 Dmontrer que les densits suivantes sont membres de la famille expo-
nentielle en trouvant A(x), B(x) et q() pour chacune delles.
a) Binomiale(n, ), o n est connu.
b) Bta(, ), o est connu.
c) Normale(,
2
), o
2
est connu.
d) Gamma(, ), o est connu.
e) Exponentielle().
3.33 Pour le modle gomtrique/bta, trouver a(x), c(), x
0
et n
0
dans le
modle de Jewell.
3.34 Par le modle de Jewell, dmontrer que
a(x) =
1

2
e
x
2
/2
, < x <
correspond au cas normale/normale et trouver les paramtres des deux
distributions.
Crdibilit bayesienne 27
Exercices proposs dans Loss Models
2
e
dition : 16.22 a-j), 16.23 a-j), 16.34 a), 16.37 a), 16.40 a), etc.
3
e
dition : 20.24 a-j), 20.25 a-j), 20.36 a), 20.39 a), 20.42 a), etc.
Rponses
3.1 a) 0,1795 b) 0,1, 0,2 et 0,6 c) 0,265 d) 0,4585
3.2 a) 1/4 b) 5/18
3.3 2,95
3.4 a) 7/30 b) 0,4475 c) 0,1950
3.5 a) /( + )
b) |S = x Bta( + x, + n x)
d) /( + )
e) ( + x)/( + + n)
3.6 0,1484
3.7 b) Pr[N = 0] = 0,377, Pr[N = 1] = 0,354, Pr[N = 2] = 0,184
c) Pr[N = 0|= 0,10] = 0,349, Pr[N = 1|= 0,10] = 0,387, Pr[N = 2|=
0,10] = 0,194
3.8 11/9
3.9 a) 0,2257 b) 0,2453 c) 1,4987
3.10 5 788
3.11 a) 2 b) 2,5
3.12 Pr[=1/4|N
1
=0, N
2
=2] =0,2891, Pr[=1/2|N
1
=0, N
2
=2] =0,5141,
Pr[ = 1/8|N
1
= 0, N
2
= 2] = 0,1968.
3.13 a) 236,67 b) non
3.14 u(|S
1
= 1, S
2
= 1) =
5
e
2
/1,8737, 0 < <10
3.15 b) 3,6484
3.16 2,3107
3.17 b) 6,286
3.18 Voir le tableau de lannexe A.
3.19 a) b) /( + ) c) Bta( +
n
t=1
S
t
, + n
n
t=1
S
t
) d) z = n/(n +
( + )/)
28 Crdibilit bayesienne
3.20 a) Pareto gnralise b) /c) /( 1) d) Gamma( +n, +
n
t=1
S
t
)
e) Pareto gnralise( + n, +
n
t=1
S
t
, ) f) ( +
n
t=1
S
t
)/( + n
1) g) z = n/(n + ( 1)
1
)
3.21 3,5
3.22 2
3.23 4/7
3.24 0,67
3.25 a) 2,5 b) 2,17 c) 2,9524
3.26 200/11
3.27 5,8
3.28 4/49
3.32 a) A(x) = x, B(x) = ln(
n
x
), q() = nln(1 )
b) A(x) = lnx, B(x) = ( 1) ln(1 x), q() = ln( + ) ln()
ln()
c) A(x) = x, B(x) = x
2
/(2
2
), q() = ln

2
2
/(2
2
))
d) A(x) = lnx, B(x) = x, q() = ln ln()
e) A(x) = x, B(x) = 0, q() = ln
3.33 a(x) = 1, c() = (1 e

)
1
, x
0
= , n
0
= 1
3.34 S| = Normale(, 1) et Normale(x
0
/n
0
, 1/n
0
)
4 Modle de Bhlmann
4.1 Un assureur couvre une proportion gale dhommes et de femmes contre
les accidents dautomobile. Les femmes ont une probabilit daccident de
20 % par anne alors que les hommes ont une probabilit daccident de
40 % par anne. La distribution de la svrit des sinistres est la suivante :
Pr[X = x] =
_

_
0,8, x = 100
0,1, x = 200
0,1, x = 400.
On suppose quune personne ne peut avoir quun seul accident par an-
ne. Calculer le facteur de crdibilit pour un assur selon le modle de
Bhlmann.
4.2 Vous roulez un d rgulier. Si vous obtenez 1, vous pigez dans lurne A,
si vous obtenez 2, 3 ou 4, vous pigez dans lurne B et si vous obtenez 5
ou 6, vous pigez dans lurne C. Chaque urne contient des balles rouges
et blanches dans les proportions ci-dessous.
Balles rouges Balles blanches
Urne A 75 % 25 %
Urne B 50 % 50 %
Urne C 25 % 75 %
Vous roulez le d et pigez dans lurne correspondante cinq balles avec
remise dont vous avez pris la couleur en note. Vous emmenez ensuite
lurne en question un ami et il y pige son tour cinq balles, toujours
avec remise. Si vous ne vous souvenez plus ni du nombre indiqu par
le d, ni de quelle urne les balles ont t tires, mais que vous avez tou-
jours en note que vous avez pig trois balles rouges, quel est lestimation
du nombre de balles rouges que pigera votre ami selon le modle de
crdibilit de Bhlmann?
4.3 On vous donne les informations suivantes sur un portefeuille de risques
indpendants.
i) Les risques sont de deux types : type A et type B.
ii) Le nombre de risques de type A est le mme que le nombre de
risques de type B.
29
30 Modle de Bhlmann
iii) Pour chaque risque, la probabilit davoir exactement un sinistre au
cours dune anne est de 20 %, alors que la probabilit de navoir
aucun sinistre est de 80 %.
iv) Le montant des sinistres des risques de type A est 2.
v) Le montant des sinistres des risques de type B est c, une constante
inconnue.
Un risque est choisi au hasard au sein de ce portefeuille et le montant
total des sinistres de ce risque est observ pour la premire anne. Vous
souhaitez estimer le montant total des sinistres espr pour la seconde
anne.
a) Quel est le modle utilis ici ?
b) Dterminer la limite du facteur de crdibilit dans le modle de Bhl-
mann lorsque c tend vers linni.
4.4 Un portefeuille dassurance est compos de 25 % de bons risques, 60 % de
risques moyens et 15 % de mauvais risques. Tous les risques ont une dis-
tribution de sinistres de type gamma, mais dont les paramtres diffrent
selon le tableau ci-dessous.
Type de risque
Bon 4 2
Moyen 4 1
Mauvais 10 2
Le dossier de sinistre dun risque choisi au hasard est de 1 et 2 au cours
des deux premires annes. Calculer la prime de crdibilit de ce risque
pour la troisime anne selon le modle de Bhlmann.
4.5 Un portefeuille dassurance compte quatre classes dassurs. Les carac-
tristiques de la distribution du montant total des sinistres annuels dun
assur pour chacune des classes sont donnes dans le tableau suivant.
Montant total des sinistres
Classe Nombre dassurs Moyenne Variance
A 1 000 50 100 000
B 2 000 200 500 000
C 1 000 500 500 000
D 1 000 1 000 500 000
Calculer la prime de crdibilit charge un assur ayant subi pour 800 $
de sinistres en quatre ans.
4.6 Un portefeuille dassurance est compos de 30 % de bons risques, 50 % de
risques moyens et 20 % de mauvais risques. La distribution des montants
de sinistres est telle que prsente dans le tableau ci-dessous.
Modle de Bhlmann 31
Type de risque Distribution des sinistres
Bons Pareto(4, 1 200)
Moyens Gamma(1 000, 2)
Mauvais Exponentielle(0,00125)
Selon le modle de Bhlmann, quel facteur de crdibilit convient-il dac-
corder aprs quatre annes un risque issu de ce portefeuille ?
4.7 La svrit des sinistres pour un certain type dassurance obit une loi
gamma de paramtre de forme = 5 et de paramtre dchelle variable
par assur. Les bons assurs ont une prime de risque de 2 500 $, les
assurs moyens, une prime de risque de 4 000 $, et les mauvais assurs
une prime de risque de 5 000 $. Lactuaire responsable de la tarication
pour ce type dassurance estime que le portefeuille est compos de 30 %
de bons assurs, de 50 % de moyens et de 20 % de mauvais. Calculer
laide du modle de Bhlmann la prime de crdibilit dun assur ayant
encouru un total de 20 000 $ de sinistres au cours des quatre annes
prcdentes.
4.8 Soit N
t
|= Gomtrique(), o la fonction de densit de probabilit
de est
u() = 30(
2
2
3
+
4
), 0 < <1.
a) Calculer E[N
t
].
b) Sachant que N
1
= 0, estimer N
2
par lapproche bayesienne pure.
c) Rpter la partie b) laide du modle de Bhlmann.
4.9 Dterminer la prime de crdibilit dans le modle de Bhlmann selon les
hypothses suivantes :
a) S| Bernoulli(), Bta(, ).
b) S| Gomtrique(), Bta(, ).
c) S| Gamma(, ), Gamma(, ).
d) S| Binomiale ngative(r, ), Bta(, ).
e) S| Normale(5,
2
), U(a, b).
f) S| Exponentielle(),
1
Bta(, ).
4.10 a) Soit X
1
, . . . , X
n
un chantillon alatoire et Y une variable alatoire
dont le second moment existe. Trouver les constantes et qui mi-
nimisent
E[(Y

X)
2
],
o

X = n
1

n
i=1
X
i
. Cest un problme analogue celui des moindres
carrs ordinaires.
b) Considrer maintenant le modle en thorie de la crdibilit de pr-
cision, soit o X
1
, . . . , X
n
sont des variables alatoires conditionnelle-
ment indpendantes sachant . Trouver Cov((),

X) et Var[

X], o
() = E[X
t
|].
32 Modle de Bhlmann
c) Toujours dans le mme contexte quen b), utiliser le rsultat en a)
pour trouver les constantes et qui minimisent
E[(()

X)
2
].
4.11 On vous donne les informations suivantes :
i) X
i
est le nombre de sinistres du conducteur i au cours dune anne.
ii) La distribution de X
i
est une binomiale ngative de paramtres r
i
et p = 0,4.
iii)
i
est lesprance du nombre de sinistres du conducteur i pour une
anne.
iv) La distribution de
i
est une exponentielle de moyenne 0,2.
Dterminer le facteur de crdibilit dun conducteur ayant une anne
dexprience selon le modle de Bhlmann.
4.12 Un certain groupe de conducteurs a une frquence espre de sinistres
(par anne) distribue uniformment entre 0,1 et 0,3. Le nombre de si-
nistres observs (par anne) pour chaque conducteur obit une loi de
Poisson. Un conducteur du groupe a eu trois accidents au cours des
cinq dernires annes. Estimer, laide du modle de Bhlmann, la fr-
quence future des sinistres pour cet assur.
4.13 La distribution conditionnelle du montant des sinistres est normale de
moyenne et de variance 4
2
. La distribution de la variable alatoire

2
()/() est uniforme sur lintervalle (0, 40). Calculer la prime de
crdibilit pour la cinquime anne dans le modle de Bhlmann si la
somme des sinistres des quatre premires annes est gale 12.
4.14 En utilisant le modle de Bhlmann et les hypothses de distributions
ci-dessous, trouver la prime de crdibilit pour la sixime anne sachant
quun assur a eu au cours des cinq premires annes les montants de
sinistre suivants : 3, 1, 5, 4, 2.
a) S| Poisson() et
i) Gamma(10, 5).
ii) Gamma(50, 25).
iii) Gamma(
1
2
,
1
4
).
b) S| U(0, 2) et
i) Gamma(10, 5).
ii) Gamma(50, 25).
iii) Gamma(
1
2
,
1
4
).
4.15 On pose S
j
| = N(,
2
) et N(150, 4 500). Trouver, selon le mo-
dle de Bhlmann, la prime de crdibilit pour la cinquime anne si
S
1
= 100, S
2
= 125, S
3
= 75 et S
4
= 120.
Modle de Bhlmann 33
4.16 On a deux portefeuilles dassurance pour lesquels on voudrait calcu-
ler la crdibilit de lexprience de chaque police en utilisant le modle
de Bhlmann. Pour le portefeuille A, la variance de la prime de risque
reprsente 25 % de la variance du montant des sinistres. Pour le porte-
feuille B, le montant des sinistres pour un assur quelconque suit une
loi normale de moyenne et de variance 25. La prime de risque est elle-
mme distribue dans la population selon une loi normale de moyenne
et variance 16. Indiquer quel portefeuille mrite la plus grande crdi-
bilit.
4.17 a) Soit S| Poisson() avec Exponentielle(). Calculer la cons-
tante K du modle de Bhlmann sachant que la probabilit que la
prime de risque soit suprieure 5 est e
10
.
b) Soit maintenant S
1
|
1
Poisson(
1
) avec
1
Exponentielle(),
et S
2
|
2
Poisson(
2
) avec
2
Exponentielle(). On suppose de
plus que
i) S
1
est indpendante de S
2
et
2
;
ii) S
2
est indpendante de S
1
et
1
;
iii)
1
et
2
sont indpendantes.
Trouver la constante de crdibilit K pour S = S
1
+ S
2
.
4.18 Pour un groupe dassurs dtenant une police dassurance contre le vol,
un actuaire sait que 25 % de la variance totale du montant des sinistres
est explique par la variance de la prime de risque. Aprs n annes
dobservation, un membre du groupe a eu des vols annuels de 125 $ en
moyenne, et il a pay une prime de crdibilit de 110 $. Aprs n +1 an-
nes, sa moyenne est passe 150 $ et il a pay une prime de crdibilit
de 125 $. partir de ces donnes, quelle prime de crdibilit lactuaire
devra-t-il charger un autre membre du groupe pour lanne n + 1 si
celui-ci a eu des vols totalisant 500 $ aprs n annes ?
4.19 La distribution conditionnelle de S| nest pas connue mais on sait que
() suit une loi Gamma(6, 4). De plus,
2
() = ()
2
. En appliquant
le modle de Bhlmann, on obtiendrait les primes du tableau ci-dessous.
Montant total des sinistres
Annes dexprience 0 1 2 3 4 5 6
2 a
2,0
a
2,1
a
2,2
a
2,3
a
2,4
a
2,5
a
2,6
3 a
3,0
a
3,1
a
3,3
a
3,3
a
3,4
a
3,5
a
3,6
4 a
4,0
a
4,1
a
4,4
a
4,3
a
4,4
a
4,5
a
4,6
Lesquels des noncs suivants sont vrais ?
I. a
2,3
a
3,5
II. a
2,2
a
4,4
III. a
2,4
< a
3,6
34 Modle de Bhlmann
4.20 On vous donne les informations suivantes :
i) Pr[S = x| = ] = e

x
/x!, x = 0, 1, . . . ;
ii) u() = c
2
e
4
, >0.
a) Calculer la prime collective.
b) Sachant que S
1
= 4, S
2
= 1 et S
3
= 3, calculer les primes de crdibilit
pour les deuxime, troisime et quatrime annes.
4.21 Le montant total des sinistres a une distribution exponentielle de para-
mtre de risque inconnu et la moyenne de cette distribution suit une loi
gamma de moyenne 4 et de variance 8. Trouver la prime de crdibilit
de troisime anne dans le modle de Bhlmann si les sinistres totaux
au cours des deux premires annes furent respectivement de 1 et 3.
4.22 Dmontrer que la prime de crdibilit dans le modle de Bhlmann est
de type mise jour (Gerber et Jones, 1975), cest--dire quelle peut
scrire sous la forme

n+1
=
n

n
+ (1
n
)S
n
,
o 0
n
1 est une fonction de n, le nombre dannes dexprience
disponible, et
n
est la prime de crdibilit de lanne prcdente.
4.23 Dmontrer que lestimateur s
2
du modle classique de Bhlmann est
sans biais en calculant E[(S
it


S
i
)
2
] sans dabord conditionner sur
i
.
4.24 Proposer un modle pouvant servir pour la simulation de donnes dans
une application du modle de Bhlmann. Le modle devrait
i) respecter les deux principales hypothses du modle de Bhlmann,
savoir E[S
it
|
i
] = (
i
) et Var[S
it
|
i
] =
2
(
i
) ;
ii) permettre de simuler des montants individuels de sinistres (et non
pas seulement le montant total).
4.25 partir des donnes de sinistres ci-dessous, calculer les primes de cr-
dibilit de Bhlmann de lanne 7 pour chacun des trois contrats.
Annes
Contrat 1 2 3 4 5 6
1 0 1 2 1 2 0
2 3 4 2 1 4 4
3 3 3 2 1 2 1
Exercices proposs dans Loss Models
2
e
dition : 16.22 k, l), 16.23 k, l), 16.34, 16.35 a), 16.36, 16.38, 16.39, 16.42,
16.52, 16.54, 16.64, 16.65.
3
e
dition : 20.24 k, l), 20.25 k, l), 20.36, 20.37 a), 20.38, 20.40, 20.41, 20.44,
20.54, 20.56, 20.72, 20.73.
Modle de Bhlmann 35
Rponses
4.1 n/(n + 32,86)
4.2 2,5770
4.3 b) 1/9
4.4 2,78
4.5 290,93
4.6 0,2640
4.7 4 402,61
4.8 a) 1,5 b) 1 c) 1
4.9 On ne donne que la valeur de la constante K dans le facteur de crdibilit.
a) + b) 1 c) ( 1)/ d) ( 1)/r e) 12
2
/(25(b a)
2
) f) ( +
)( + 1)/
4.10 a) = E[Y]

E[

X],

=Cov(Y,

X)/Var[

X] b) Cov((),

X) = a, Var[

X] =
a + s
2
/n
4.11 0,0741
4.12 0,23
4.13 4,6
4.14 a) i) 2,5 ii) 2,17 iii) 2,95
b) i) 2,58 ii) 2,23 iii) 2,91
4.15 132
4.16 Portefeuille B
4.17 a) 2 b) ( + )/(
2
+
2
)
4.18 160
4.19 I et III
4.20 a) 0,75 b) 1,4, 1,33 et 1,57
4.21 3,2
4.25 1,18, 2,82 et 2
5 Modle de BhlmannStraub
5.1 Dmontrer les relations suivantes.
a) Cov(X
iw
, X
ww
) = a
w
i
w

+
s
2
w

b) Var[X
ww
] = a
I

i=1
_
w
i
w

_
2
+
s
2
w

.
c) Var[X
zw
] =
a
z

5.2 Dmontrer que lestimateur s


2
est sans biais.
5.3 Dmontrer que lestimateur a est sans biais.
5.4 Dmontrer que lestimateur a est sans biais.
5.5 Pourquoi na-t-on pas un quivalent de lestimateur a dans le modle de
Bhlmann? Dmontrer que a = a dans le modle de Bhlmann, cest--
dire lorsque tous les poids sont gaux.
5.6 Dmontrer que lorsque tous les facteurs de crdibilit sont nuls (situation
qui survient principalement lorsque a = 0), alors X
zw
= X
ww
. Autrement
dit, dmontrer que
lim
a0
X
zw
= X
ww
5.7 Proposer un modle pouvant servir pour la simulation de donnes dans
une application du modle de BhlmannStraub. Le modle devrait
i) respecter les deux principales hypothses du modle de Bhlmann
Straub, savoir E[X
it
|
i
] = (
i
) et Var[X
it
|
i
] =
2
(
i
)/w
it
;
ii) permettre de simuler des montants individuels de sinistres (et non
pas seulement le montant total).
Supposer les poids w
it
connus.
37
38 Modle de BhlmannStraub
5.8 Considrer le tableau suivant o S
it
est le montant total des sinistres et
w
it
la masse salariale pour lemployeur i dans lanne t.
S
it
Anne
Employeur 1 2 3 4
1 14 21 12 18
2 4 0 4 6
3 3 0 1 6
w
it
Anne
Employeur 1 2 3 4
1 2 3 4 3
2 4 2 1 2
3 3 3 1 3
Calculer la prime de crdibilit (totale) de lemployeur 1 pour la cin-
quime anne pour trois units de masse salariale.
5.9 Calculer la prime de crdibilit pour chacun des trois contrats du porte-
feuille ci-dessous.
Ratios X
it
Anne
Contrat 1 2 3 4 5
1 3 5 4
2 6 8 8 14 4
3 2 0 3 6
Poids w
it
Anne
Contrat 1 2 3 4 5
1 1 1 1
2 2 2 2 2 2
3 3 3 3 3
a) Faire les calculs la main. Utiliser a comme estimateur du para-
mtre a.
b) Faire les calculs en R laide de la fonction cm de la version 0.9-4
ou ultrieure du package actuar (Dutang et collab., 2008). Utiliser a
comme estimateur du paramtre a. Comparer les rponses avec celles
obtenues en a).
5.10 On vous donne les informations suivantes :
K = 15 X
zw
= 0,8
X
1w
= 0,89 w
1
= 8
X
2w
= 0,85 w
2
= 6
X
3w
= 0,65
X
4w
= 0,70 w
4
= 9.
Calculer le facteur de crdibilit du contrat 3.
Exercices proposs dans Loss Models
2
e
dition : 16.60, 16.61, 16.63.
2
e
dition : 20.27, 20.68, 20.70.
Modle de BhlmannStraub 39
Rponses
5.8 15,52
5.9 a) s
2
=18,9167, a =7,7901, m=4,9954,
1,6
=4,4453,
2,6
=7,4129,
3,6
=
3,1279
b) s
2
=18,9167, a =5,5653, m=5,0084,
1,6
=4,5357,
2,6
=7,2411,
3,6
=
3,2485
5.10 0,0539
A Formules de crdibilit exacte
Le tableau de la page suivante contient les principaux rsultats de crdi-
bilit bayesienne pour les combinaisons de distributions de la famille expo-
nentielle univarie. Le contenu des colonnes du tableau est le suivant, dans
lordre :
1. La distribution de S| = ;
2. La distribution a priori de ;
3. La distribution marginale de S ;
4. La distribution a posteriori de |S
1
= x
1
, . . . , S
n
= x
n
, toujours
du mme type que la distribution a priori, mais avec des para-
mtres mis jour ;
5. La prime de risque () = E[S| = ] ;
6. La prime collective m = E[()] ;
7. La prime bayesienne B
n+1
= E[()|S
1
, . . . , S
n
], toujours gale
la prime collective value avec les paramtres de la distribu-
tion a posteriori ;
8. Le facteur de crdibilit dans lexpression de la prime baye-
sienne sous forme de prime de crdibilit.
Les fonctions de masse ou de densit de probabilit des lois gurant au
tableau se trouvent lannexe B.
41
42 Formules de crdibilit exacte
f
(
x
|

)
u
(

)
f
(
x
)
u
(

|
x
1
,
.
.
.
,
x
n
)

)
m
B
n
+
1
z
B
e
r
n
o
u
l
l
i
(

)
B

t
a
(

)
B
e
r
n
o
u
l
l
i
(

/
(

)
)
B

t
a
(

,

)

=

t
x
t

+
n

t
x
t

t
S
t

+
n
n
n
+

o
m
e
t
r
i
q
u
e
(

)
B

t
a
(

+
1
)

+
x
)

+
x
+
1
)
B

t
a
(

,

)

=

+
n

t
x
t
1

t
S
t

+
n

1
n
n
+

1
P
o
i
s
s
o
n
(

)
G
a
m
m
a
(

)
B
i
n
.
n

g
.
(

/
(

+
1
)
)
G
a
m
m
a
(

,

)

=

t
x
t

+
n

t
S
t

+
n
n
n
+

E
x
p
o
n
e
n
t
i
e
l
l
e
(

)
G
a
m
m
a
(

)
P
a
r
e
t
o
(

)
G
a
m
m
a
(

,

)

=

+
n

t
x
t
1

t
S
t

+
n

1
n
n
+

1
N
o
r
m
a
l
e
(

2 2
)
N
o
r
m
a
l
e
(

2 1
)
N
o
r
m
a
l
e
(

2 1
+

2 2
)
N
o
r
m
a
l
e
(

,

2 1
)

2 1

t
x
t
+

2 2

2 1
+

2 2

2 1
=

2 1

2 2
n

2 1
+

2 2

2 1

t
S
t
+

2 2

2 1
+

2 2
n
n
+

2 2
/

2 1
B Paramtrisation des lois de
probabilit
Cette annexe prcise la paramtrisation des lois de probabilit utilise
dans les noncs des exercices des chapitres 2 5 ainsi que dans le tableau
des formules de crdibilit exacte de lannexe A. Dans certains cas, la pa-
ramtrisation est diffrente de celle prsente dans les annexes A et B de
Klugman et collab. (2004, 2008).
On fournit galement lesprance, la variance et la fonction gnratrice
des moments (lorsquelle existe) des diffrentes lois.
B.1 Distributions discrtes
B.1.1 Binomiale(n, )
Paramtres : 0 1, n entier. Cas spcial : Bernoulli() lorsque n = 1.
Pr[X = x] =
_
n
x
_

x
(1 )
nx
, x = 0, 1, . . .
E[X] = n
Var[X] = n(1 )
M(t) = (1 + e
t
)
n
B.1.2 Binomiale ngative(r, )
Paramtres : 0 1, r >0. Cas spcial : Gomtrique() lorsque r = 1.
Pr[X = x] =
_
x + r 1
r 1
_

r
(1 )
x
, x = 0, 1, . . .
E[X] =
r(1 )

Var[X] =
r(1 )

2
M(t) =
_

1 (1 )e
t
_
r
43
44 Paramtrisation des lois de probabilit
B.1.3 Poisson()
Paramtre : >0.
Pr[X = x] =

x
e

x!
, x = 0, 1, . . .
E[X] =
Var[X] =
M(t) = e
(e
t
1)
B.2 Distributions continues
B.2.1 Bta(, )
Paramtres : >0, >0. Cas spcial : Uniforme(0, 1) lorsque = = 1.
f (x) =
( + )
()()
x
1
(1 x)
1
, 0 < x <1
E[X] =

+
Var[X] =

( + )
2
( + + 1)
B.2.2 Gamma(, )
Paramtres : > 0, > 0. Cas spciaux : Exponentielle() lorsque = 1,

2
(r) lorsque = r/2 et = 1/2.
f (x) =

()
x
1
e
x
, x >0
E[X] =

Var[X] =

2
M(t) =
_

t
_

B.2.3 Normale(,
2
)
Paramtres : < < ,
2
>0.
f (x) =
1

2
exp
_

(x )
2
2
2
_
, < x <
E[X] =
Var[X] =
2
M(t) = e
t+
2
t
2
/2
B.3. Distributions composes 45
B.2.4 Log-normale(,
2
)
Si X Normale(,
2
), alors Y = e
X
Log-normale(,
2
). Paramtres :
< < ,
2
>0.
f (x) =
1

2
1
x
exp
_

(lnx )
2
2
2
_
, x >0
E[X] = e
+
2
/2
Var[X] = e
2+
2
(e

2
1)
B.2.5 Pareto(, )
Paramtres : >0, >0.
f (x) =

(x + )
+1
, x >0
E[X] =

1
, >1
Var[X] =

2
( 1)
2
( 2)
, >2
B.2.6 Pareto gnralise(, , )
Paramtres : >0, >0, >0. Cas spcial : Pareto(, ) lorsque = 1.
f (x) =
( + )
()()

x
1
(x + )
+
, x >0
E[X] =

1
, >1
Var[X] =

2
( + 1)
( 1)
2
( 2)
, >2
B.3 Distributions composes
Soit S = X
1
+ + X
N
, o X
1
, . . . , X
n
sont des variables alatoires mutuel-
lement indpendantes, identiquement distribues et toutes indpendantes de
N. On a toujours
E[S] = E[N]E[X]
Var[S] = Var[N]E[X]
2
+ E[N]Var[X].
46 Paramtrisation des lois de probabilit
B.3.1 Binomiale compose(n, , F
X
())
Distribution de S lorsque N Binomiale(n, ) et Pr[X x] = F
X
(x).
E[S] = nE[X]
Var[S] = n(1 )E[X]
2
+ nVar[X]
B.3.2 Binomiale ngative compose(r, , F
X
())
Distribution de S lorsque N Binomiale ngative(r, ) et Pr[X x] =
F
X
(x).
E[S] =
r(1 )

E[X]
Var[S] =
r(1 )

2
E[X]
2
+
r(1 )

Var[X]
B.3.3 Poisson compose(, F
X
())
Distribution de S lorsque N Poisson() et Pr[X x] = F
X
(x).
E[S] = E[X]
Var[S] = E[X
2
]
C Table de quantiles de la loi
normale
Pr[X x] = (x) =
_
x

2
e
y
2
/2
dy
(x) = 1 (x)
x (x) x (x) x (x)
0,00 0,500 1,10 0,864 2,05 0,980
0,05 0,520 1,15 0,875 2,10 0,982
0,10 0,540 1,20 0,885 2,15 0,984
0,15 0,560 1,25 0,894 2,20 0,986
0,20 0,579 1,282 0,900 2,25 0,988
0,25 0,599 1,30 0,903 2,30 0,989
0,30 0,618 1,35 0,911 2,326 0,990
0,35 0,637 1,40 0,919 2,35 0,991
0,40 0,655 1,45 0,926 2,40 0,992
0,45 0,674 1,50 0,933 2,45 0,993
0,50 0,691 1,55 0,939 2,50 0,994
0,55 0,709 1,60 0,945 2,55 0,995
0,60 0,726 1,645 0,950 2,576 0,995
0,65 0,742 1,65 0,951 2,60 0,995
0,70 0,758 1,70 0,955 2,65 0,996
0,75 0,773 1,75 0,960 2,70 0,997
0,80 0,788 1,80 0,964 2,75 0,997
0,85 0,802 1,85 0,968 2,80 0,997
0,90 0,816 1,90 0,971 2,85 0,998
0,95 0,829 1,95 0,974 2,90 0,998
1,00 0,841 1,96 0,975 2,95 0,998
1,05 0,853 2,00 0,977 3,00 0,999
47
D Solutions
Chapitre 2
Remarques
1. An dviter toute confusion avec le facteur de crdibilit, le 100(1 )
e
quantile dune loi normale centre rduite est not

, cest--dire que
Pr[Z >

] = ,
o Z N(0, 1).
2. Dans les discussions sur la crdibilit complte de niveau (k, p), on pose
toujours = 1 p.
2.1 On a S = X
1
, . . . , X
N
avec NBinomiale(1 000, 0,6) et XLog normale(3, 4),
do E[N] = (1 000)(0,6) =600, Var[N] = (1 000)(0,6)(1 0,6) =240, E[X] =
e
3+4/2
= e
5
et Var[X] = e
23+4
(e
4
1) = e
10
(e
4
1). Alors,
E[S] = E[N]E[X]
= 600e
5
= 89 047
Var[S] = E[N]Var[X] + Var[N]E[X]
2
= 600e
10
(e
4
1) + 240e
10
= 713 633 042.
2.2 On a E[S] = E[N]E[X] et Var[S] = E[N]Var[X] + E[X]
2
Var[N]. Or, E[N] =
4(0,5)/(1 0,5) = 4, Var[N] = 4(0,5)/(1 0,5)
2
= 8, E[X] = 2/0,5 = 4 et
Var[X] = 2/0,5
2
= 8, do
E[S] = (4)(4) = 16
et
Var[S] = (4)(8) + (4
2
)(8) = 160.
49
50 Solutions
2.4 Puisque E[

S] = E[S] et Var[S] = Var[S]/n, lingalit
Pr [(1 k)E[

S]

S (1 + k)E[

S]] p
est satisfaite lorsque
n
_

/2
k
_
2
Var[S]
E[S]
2
.
Dans le cas dune Poisson compose, E[S] =E[X] et Var[S] =(Var[X] +
E[X]
2
). Ainsi,
n
_

/2
k
_
2
Var[X] + E[X]
2
E[X]
2
=
1

/2
k
_
2
_
1 +
Var[X]
E[X]
2
_
=
1

/2
k
_
2
(1 + CV(X)
2
),
o CV(X) est le coefcient de variation de X.
2.5 a) On sait que dans le cas dune Poisson compose, la crdibilit com-
plte est donne par

_

/2
k
_
2
_
1 +
Var[X]
E[X]
2
_
.
On a E[X] = /( 1) = 1/40 et Var[X] =
2
/(( 1)
2
( 2)) =
3/1 600. Comme on exige un niveau de crdibilit de 90 %,
/2
=
1,645. En isolant k dans la formule, on obtient
k
1,645

256
_
1 +
3/1 600
1/1 600
= 0,2056 = 20,56 %.
On obtient une grande valeur de k parce que la distribution du mon-
tant des sinistres est trs asymtrique. Pour obtenir une valeur de k
plus usuelle (de lordre de 5 %), il faudrait augmenter le paramtre
de Poisson, de manire sommer un plus grand nombre de lois de
Pareto.
b) De manire similaire, mais en utilisant plutt la formule
n
1

/2
k
_
2
_
1 +
Var[X]
E[X]
2
_
obtenue lexercice 2.4 avec n = 10, on obtient
k
1

256
1,645

10
_
1 +
3/1 600
1/1 600
= 0,065 = 6,5 %.
Solutions 51
La marge derreur est plus petite quen a) puisque la distribution de

S
aprs 10 annes est le rsultat de la somme dun beaucoup plus grand
nombre de sinistres.
2.6 On a un cas binomiale pure, cest--dire S Binomiale(n, ). partir de
la formule gnrale
E[S]
_

/2
k
_
_
Var[S]
et avec E[S] = n et Var[S] = n(1 ), on obtient
n
_

/2
k
_
2
1

.
2.7 Dans un tel cas normale pure, la formule gnrale
E[S]
_

/2
k
_
_
Var[S]
devient simplement

_

/2
k
_
.
a) On a k = 0,04 et p = 0,95 do
0,025
= 1,96 et donc 49.
b) On a k = 0,05 et p = 0,90 do
0,05
= 1,645 et donc 32,9.
c) On a k = 0,01 et p = 0,98 do
0,01
= 2,326 et donc 232,6.
2.8 On sait que

S N(,
2
/9). On a donc une crdibilit complte dordre
(k, p) lorsque
E[

S]
_

/2
k
_
_
Var[

S],
soit

_

/2
k
_

3
.
a) On a k = 0,05 et p = 0,90 do
0,05
= 1,645 et 10,97.
b) On a k = 0,05 et p = 0,95 do
0,025
= 1,96 et 13,07.
c) On a k = 0,01 et p = 0,90 do
0,05
= 1,645 et 54,83.
d) On a k = 0,01 et p = 0,95 do
0,025
= 1,96 et 65,33.
2.9 On dtermine tout dabord une formule gnrale pour le cas de la bino-
miale ngative compose. Sachant que E[N] = r(1 )/ et que Var[N] =
r(1 )/
2
, on obtient
r
_

/2
k
_
2
_
1
1
+

1
Var[X]
E[X]
2
_
.
Or, dans cet exercice, = 0,01, Var[X]/E[X]
2
= 1/ = 50 et
/2
/k =
1,96/0,05 = 39,2. Par consquent, r 2 328,24.
52 Solutions
2.10 On remarquera tout dabord que le contexte est celui de lexercice 2.4,
sauf que le critre de crdibilit complte est exprim non pas en nombre
dannes dexprience, n, mais plutt en nombre total de sinistres es-
pr, soit n. On a donc
n
_

/2
k
_
2
(1 + CV(X)
2
).
Or, dans le cas prsent, CV(X) = 0 puisque Pr[X = M] = 1 (distribution
dgnre en M), k = 0,04 et
0,05
= 1,645, do n 1 692.
2.11 a) Le montant total des sinistres a une distribution Poisson compose
avec E[X] = 5, Var[X] = 100, k = 0,03 et
/2
=
0,025
= 1,96. De la
formule gnrale

_

/2
k
_
2
_
1 +
Var[X]
E[X]
2
_
on obtient directement 21 343.
b) Le nombre de sinistres a une distribution de Poisson pure. On peut
donc utiliser la formule ci-dessus avec Var[X] = 0. On obtient alors
4 269.
2.12 Soit X
A
la variable alatoire du montant des sinistres du groupe A et X
B
la variable alatoire du montant des sinistres du groupe B. On sait que
E[X
A
] = 50, Var[X
A
] = 0 et que X
B
Gamma(, ) tel que / = 50.
De plus, la distribution du montant total des sinistres est une Poisson
compose, donc le niveau de crdibilit complte est donn par

_

/2
k
_
2
(1 + CV(X)
2
).
Pour le groupe A, on a
A
= 1 000 et CV(X
A
) = 0, do (
/2
/k)
2
=
1 000. Ce facteur est identique pour le groupe B, mais
B
= 3 000 et
CV(X
B
) = 1/

. On a donc
3 000 = 1 000
_
1 +
1

_
,
soit = 1/2. Enn, de / = 50 on obtient que = 1/100.
2.13 Deux situations sont dcrites : 1) la crdibilit complte est accorde la
frquence des sinistres seulement ; 2) la crdibilit complte est accorde
au montant total des sinistres. On nous donne donc dabord le seuil de
crdibilit complte dans un modle avec distribution de Poisson pure
(ou Poisson compose avec une distribution des montants de sinistres
dgnre en 1), puis on demande de dterminer le seuil dans un mo-
dle avec distribution Poisson compose o la distribution du montant
Solutions 53
des sinistres a un coefcient de variation de 1/

2. Toujours partir de
la formule

_

/2
k
_
2
(1 + CV(X)
2
)
on trouve dans un premier temps que
1 000 =
_

/2
0,05
_
2
,
soit
/2
= 0,05

1 000. Dans un deuxime temps, on a



_

/2
0,25
_
2
_
1 +
1
2
_
= 1,5
_
0,05

1 000
0,25
_
2
= 60.
2.14 Il faut dabord identier le modle pour la frquence comme tant une
Binomiale(n, ), o n est le nombre demploys et , la probabilit quun
employ ait un accident. On doit considrer deux cas : premirement la
binomiale pure et deuximement la binomiale compose. La formule de
crdibilit de stabilit gnrale est
E[S]
_

/2
k
_
_
Var[S].
Si S Binomiale(n, ), alors
n
_

/2
k
_
2
1

et, si S Binomiale compose(n, , F


X
()),
n
_

/2
k
_
2
_
1

CV(X)
2
+
1

_
.
( noter que cette dernire quation revient la premire si X = 1 avec
probabilit 1, cest--dire si CV(X) =0.) On a que =0,04 et, dans le cas
dune binomiale pure, un niveau de crdibilit complte de n = 6 494.
Par consquent, (
/2
/k)
2
= 270,5833. En insrant cette valeur dans la
formule pour la binomiale compose avec CV(X) = 2, on obtient un
niveau de crdibilit complte de n = 33 552 employs.
2.15 Avec la distribution Poisson compose, le seuil de crdibilit complte
est

_

/2
k
_
2
_
1 +
Var[X]
E[X]
2
_
.
54 Solutions
Or, on nous donne E[X] = 100/(3 1) = 50 et Var[X] = 3 100
2
/((3
1)
2
(3 2)) =7 500. Si le seuil de crdibilit complte dans le cas Poisson
compose est 2 500 quand k = 0,05, alors

/2
= 0,05
_
2500
1 + 7500/50
2
= 1,25.
Dans le cas binomiale ngative compose, le seuil de crdibilit com-
plte est plutt donn par
r
_

/2
k
_
2
_
1
1
+

1
Var[X]
E[X]
2
_
.
Avec Var[X]/E[X]
2
= 3, = 0,5, r = 2 500 et
/2
= 1,25, on obtient k =
0,0559, do la largeur de lintervalle de conance autour de la moyenne
est 2kE[S] = 2(0,559)(2 500)(50) = 13 975.
2.16 On a un cas binomiale ngative compose. laide de la formule dve-
loppe au numro 2.9, on trouve directement que
r
_

/2
k
_
2
_
1
1
+

1
Var[X]
E[X]
2
_
=
_
1,645
0,05
_
2
_
3
2
+
1
2
3
_
= 3 247,23.
2.17 a) Avec X 1, S est une Poisson pure et le seuil de crdibilit complte
est (
/2
/k)
2
= (1,645/0,05)
2
= 1082,41.
b) Dans le cas Poisson compose avec CV(X) = 1, le seuil de crdibilit
complte est (
/2
/k)
2
(1 + CV(X)
2
) = 2(1,96/0,04)
2
= 4 802.
c) Sans plus de prcisions sur la formule de crdibilit partielle utili-
ser, on se rabattra sur la formule de la racine carre. Pour une seule
priode dexprience, on a

S = S, donc la crdibilit partielle z serait
z = min
_
_

4 802
, 1
_
.
2.18 On a un modle Poisson compose pour le montant total des sinistres.
Le seuil de crdibilit complte de 3 000 est atteint lorsque CV(X) = 0,
donc (
/2
/k)
2
= 3 000. Si on a plutt CV(X)
2
= /( 2) = 3, alors
le seuil de crdibilit complte est
0
= 3 000(1 + 3) = 12 000. Enn, si
lon a accord lassur une crdibilit partielle de z =

/12 000 =0,5,


alors cest que lassur a eu = 3 000 sinistres.
2.19 Il faut dduire de lnonc que la crdibilit complte est donne en
annes dexprience et que
/2
= 1,96, k = 0,05, CV(X) =3 et = 1 000.
Solutions 55
Puisque lon a un modle Poisson compose, le niveau de crdibilit
complte n
0
est
n
0
=
1
1 000
_
1,96
0,05
_
2
(1 + (3)
2
) = 15,3664.
Aprs n = 1 anne dexprience, le facteur de crdibilit est
z =
_
1/15,3664 = 0,2551.
Puisque

S = S
1
= 6,75 et m = 5,00, la prime de crdibilit partielle est
P = 0,2551(6,75) + (1 0,2551)(5) = 5,45.
2.20 Soit la grandeur du portefeuille. Le seuil de crdibilit complte est

0
= 103 500. En utilisant la formule de la racine carre, on a donc
z = 0,67 =
_

103 500
,
do = 46 462.
2.21 On a E[S] = E[N]E[X] = 50,000 et Var[S] = Var[N]E[X]
2
+Var[X]E[N] =
312 500 000. On trouve le seuil de crdibilit complte avec la formule
gnrale
n
0
=
_

/2
k
_
2
Var[S]
E[S]
= 270,6025(0,125)
= 33,8253.
a) Avec la formule de la racine carre,
0,54 =
_
n
33,8253
n = 9,86.
b) Avec la formule puissance 2/3,
0,54 =
_
n
33,8253
_
2/3
n = 13,42.
Le temps requis pour atteindre la pleine crdibilit est donc plus
lev avec cette formule.
56 Solutions
Chapitre 3
3.1 Soit S le montant total des sinistres (ou le nombre de sinistres, car chaque
sinistre est dun montant de 1). Alors S| Poisson() et a une fonc-
tion de masse de probabilit
Pr[ = ] =
_

_
0,35, = 1/10 = 0,1
0,40, = 2/10 = 0,2
0,25, = 6/10 = 0,6.
a) Par la loi des probabilits totales,
Pr[S = 1] =

Pr[S = 1| = ] Pr[ = ]
= (0,1e
0,1
)(0,35) + (0,2e
0,2
)(0,40) + (0,6e
0,6
)(0,25)
= 0,1795.
b) Ici, () = E[S| = ] = . On a donc, (0,1) = 0,1, (0,2) = 0,2 et
(0,6) = 0,6.
c) E[S] = E[()] = E[] = 0,35(0,1) + 0,40(0,2) + 0,25(0,6) = 0,265.
d) La premire tape consiste calculer la fonction de masse de proba-
bilit a posteriori de . Soit S = (S
1
, S
2
, S
3
, S
4
, S
5
) et x = (1, 0, 1, 1, 0).
Alors, par lindpendance conditionnelle de S
1
, . . . , S
5
,
Pr[S = x| = ] =
5

j=1
Pr[S
j
= x
j
| = ] =
3
e
5
.
On obtient donc Pr[S = x| = 0,1] = 0,000607, Pr[S = x| = 0,2] =
0,002943, Pr[S = x| = 0,6] = 0,010754 et, par la loi des probabilits
totales, Pr[S = x] = 0,004078. En utilisant la rgle de Bayes,
Pr[ = |S = x] =
_

_
0,0521, = 0,1
0,2887, = 0,2
0,6592, = 0,6
et, nalement, la prime bayesienne de sixime anne est E[|S = x] =
0,0521(0,1) + 0,2887(0,2) + 0,6592(0,6) = 0,4585.
3.2 Soit S
i
le rsultat du i
e
lancer dun d, D
1
lvnement choisir le d
rgulier et D
2
lvnement choisir le d irrgulier.
a) Par la loi des probabilits totales,
Pr[S
1
= 5] = Pr[S
1
= 5|D
1
] Pr[D
1
] + Pr[S
1
= 5|D
2
] Pr[D
2
]
=
_
1
6
__
1
2
_
+
_
2
6
__
1
2
_
=
1
4
.
Solutions 57
Plus simplement, on a 3 faces numrotes 5 sur un total de 12, do
une probabilit de
1
4
.
b) On cherche la valeur de la fonction de masse de probabilit de la
distribution prdictive de S
2
au point x = 5 :
Pr[S
2
= 5|S
1
= 5] =
1
Pr[S
1
= 5]
(Pr[S
1
= 5, S
2
= 5|D
1
] Pr[D
1
]
+ Pr[S
1
= 5, S
2
= 5|D
2
] Pr[D
2
])
=
(
1
36
)(
1
2
) + (
4
36
)(
1
2
)
1
4
=
5
18
.
3.3 Soit S le nombre de piles obtenus aprs n lancers dune pice de monnaie
et lurne choisie. On identie lurne A par =0,6 et lurne B par =0,2.
Ainsi, S|= Binomiale(n, ). On doit calculer E[S
2
|S
1
=4]. On obtient
la distribution a posteriori de |S
1
= 4 avec
Pr[ = |S
1
= 4] =
Pr[S
1
= 4| = ] Pr[ = ]

Pr[S
1
= 4| = ] Pr[ = ]
.
On trouve
Pr[ = 0,6|S
1
= 4] =
(
5
4
)(0,6)
4
(0,4)(0,5)
(
5
4
)(0,6)
4
(0,4)(0,5) + (
5
4
)(0,2)
4
(0,8)(0,5)
=
0,1296
0,1328
= 0,9759.
De la mme faon, on trouve Pr[=0,2|S
1
=4] =0,0032/0,1328 =0,02410.
Enn,
E[S
2
|S
1
= 4] = E[S
2
| = 0,6] Pr[ = 0,6|S
1
= 4]
+ E[S
2
| = 0,2] Pr[ = 0,2|S
1
= 4]
= 5(0,6)(0,9759) + 5(0,2)(0,02410)
= 2,9518.
3.4 Soit S une variable indiquant si un employeur a eu un sinistre dans une
anne et une variable identiant le groupe auquel cet employeur ap-
partient. On identie le groupe frquence faible par = 0,1, le groupe
frquence moyenne par = 0,2 et le groupe frquence leve par
= 0,4. On a donc S| = Bernoulli().
58 Solutions
a) On a
Pr[S = 1] =

Pr[S = 1| = ] Pr[ = ]
= (0,1 + 0,2 + 0,4)
_
1
3
_
=
7
30
.
b) En utilisant la rgle de Bayes et lhypothse dindpendance des si-
nistres,
Pr[ = 0,1|S
1
= 0, S
2
= 0] =
Pr[S
1
= 0, S
2
= 0| = 0,1] Pr[ = 0,1]
Pr[S
1
= 0, S
2
= 0]
=
(0,9)
2
(
1
3
)
(0,9)
2
(
1
3
) + (0,8)
2
(
1
3
) + (0,6)
2
(
1
3
)
=
81
181
= 0,4475.
c) De la mme faon quen b), on trouve Pr[ = 0,2|S
1
= 0, S
2
= 0] =
64/181 =0,3536 et Pr[=0,4|S
1
=0, S
2
=0] =36/181 =0,1989. Ainsi,
Pr[S
3
= 1|S
1
= 0, S
2
= 0] =

Pr[S
3
= 1| = ] Pr[ = |S
1
= 0, S
2
= 0]
=
_
1
181
_
[(0,1)(81) + (0,2)(64) + (0,4)(36)]
=
35,3
181
= 0,1950.
3.5 a) On a
E[] =
( + )
()()
_
1
0

1
(1 )
1
d
=
( + )
()()
( + 1)()
( + + 1)
=

+
.
b) On a S|= Binomiale(n, ), cest--dire Pr[S = x|=] = (
n
x
)
x
(1
)
nx
. Avec le thorme de Bayes, on trouve
u(|x)
x
(1 )
nx

1
(1 )
1
=
+x1
(1 )
+nx1
,
que lon sait tre la densit dune bta avec de nouveaux paramtres.
Donc, |S = x Bta( = + x,

= + n x).
Solutions 59
c) Une pice a t lance 10 fois et les rsultats suivants furent obtenus :
P, F, F, P, F, P, F, F, P, P. En utilisant les rsultats obtenus prcdem-
ment, la distribution a posteriori de est une bta et les paramtres
(, ) aprs chaque lancer sont les suivants, dans lordre : (1, 2), (2, 2),
(3, 2), (3, 3), (4, 3), (4, 4), (5, 4), (6, 4), (6, 5), (6, 6). Quelques distribu-
tions a posteriori sont prsentes aux gures D.1D.6. Une premire
observation est le dplacement vers la gauche ou vers la droite de la
distribution selon le nombre de rsultats piles et de rsultats faces ob-
tenus. Une deuxime observation est la concentration graduelle de la
distribution autour de =
1
2
, ce qui indique une pice quilibre.
d) Soit Y le rsultat du onzime lancer, o Y = 1 correspond face. On a
Pr[Y = 1] =
_
1
0
Pr[Y = 1| = ] Pr[ = ] d
=
_
1
0
Pr[ = ]
= E[]
=

+
.
Le rsultat nest pas ncessairement
1
2
puisque lon ignore si la pice
est quilibre ou non.
e) On a
Pr[Y = 1|S = x] =
_
1
0
Pr[Y = 1| = ] Pr[ = |S = x] d
=
_
1
0
Pr[ = |S = x]
= E[|S = x]
=
+ x
+ + n
.
3.6 On a le modle suivant : X| Pareto(, 10) et U(1, 2, 3). On note
que la fonction de rpartition de X| = est
F(x|) = 1
_

+ x
_

.
60 Solutions
0.0 0.2 0.4 0.6 0.8 1.0
0
.
6
0
.
8
1
.
0
1
.
2
1
.
4
d
b
e
t
a
(
x
,

1
,

1
)
Fig. D.1 Distribution a priori
(uniforme)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
d
b
e
t
a
(
x
,

1
,

2
)
Fig. D.2 Distribution aprs un
lancer (P)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
5
1
.
0
1
.
5
d
b
e
t
a
(
x
,

2
,

2
)
Fig. D.3 Distribution aprs deux
lancers (P, F)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
5
1
.
0
1
.
5
d
b
e
t
a
(
x
,

3
,

2
)
Fig. D.4 Distribution aprs trois
lancers (P, F, F)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
5
1
.
0
1
.
5
d
b
e
t
a
(
x
,

3
,

3
)
Fig. D.5 Distribution aprs quatre
lancers (P, F, F, P)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
d
b
e
t
a
(
x
,

4
,

3
)
Fig. D.6 Distribution aprs cinq
lancers (P, F, F, P, F)
Solutions 61
Ainsi,
Pr[X
2
>30|X
1
= 20] =
3

=1
Pr[X
2
>30| = ] Pr[ = |X
1
= 20]
=
3

=1
(1 F(30|))
f (20|)(
1
3
)

3
=1
f (20|)(
1
3
)
=

3
=1
_
10
10+30
_

10

(10+20)
+1

3
=1
10

(10+20)
+1
= 0,1484.
3.7 a) N| = Binomiale(10, ) et la fonction de masse de probabilit de
est
Pr[ = ] =
_

_
0,2, = 0,04
0,6, = 0,10
0,2, = 0,16.
b) En gnral, on a
Pr[N = n] =

Pr[N = n| = ] Pr[ = ]
=

_
10
n
_

n
(1 )
10n
Pr[ = ].
Ce qui donne, Pr[N = 0] = 0,377, Pr[N = 1] = 0,354 et Pr[N = 2] =
0,184.
c) On rutilise la formule en b) avec Pr[ = 0,10] = 1. On trouve Pr[N =
0] = 0,349, Pr[N = 1] = 0,387 et Pr[N = 2] = 0,194.
3.8 Soit S| Gamma(, ) et
1
Bta(, ). Alors E[S|] =
1
et
Var[S|] =
2
, do
Var[S] = Var[E[S|]] + E[Var[S|]]
=
2
Var[
1
] + E[
2
]
=

2

( + )
2
( + + 1)
+
( + 1)
( + )( + + 1)
.
Avec = 2, = 2 et = 1, Var[S] = 11/9.
3.9 On a
Pr[S = x| = ] =

x
e

x!
, x = 0, 1, . . . ,
u() =
_
5
4
__
1

2
_
, 1 < <5.
62 Solutions
a) Par la loi des probabilits totales,
Pr[S = 2] =
_
5
1
Pr[S = 2| = ]u() d
=
5
4
_
5
1

2
e

2!
2
d
=
_
5
8
_
(e
1
e
5
)
= 0,2257.
b) On trouve dabord la densit a posteriori de :
u(|x
1
= 1, x
2
= 1) =
Pr[S
1
= 1| = ] Pr[S
2
= 1| = ]u()
_
5
1
Pr[S
1
= 1| = ] Pr[S
2
= 1| = ]u()
=
e
2
_
5
1
e
2
d
=
2e
2
e
2
e
10
= 14,7831e
2
.
Par consquent,
Pr[S
3
= 0|S
1
= 1, S
2
= 1] =
_
5
1
Pr[S
3
= 0| = ]u(|x
1
= 1, x
2
= 1) d
=
2
e
2
e
10
_
5
1
e
3
d
=
2
3
e
3
e
15
e
2
e
10
= 0,2453.
c) Avant tout, il faut noter que () = . Puis, en intgrant par parties,
E[|S
1
= 1, S
2
= 1] =
_
5
1
u(|x
1
= 1, x
2
= 1) d
=
2
e
2
e
10
_
5
1
e
2
d
=
2
e
2
e
10
_

2
e
2

1
4
e
2

5
1
=
2
e
2
e
10
_
3
4
e
2

11
4
e
10
_
= 1,4987.
Solutions 63
3.10 Dans ce problme, il faut raliser quil y a une probabilit de 3/4 de ne
pas avoir de sinistre ou, de manire quivalente, un sinistre de montant
0. On dnit les variables alatoires S reprsentant le montant dun si-
nistre dans une anne et identiant la classe de risque. Par abus de
notation, on considre que les valeurs possibles de sont = A, B et
C. partir des donnes du tableau, on peut construire la fonction de
masse de probabilit de la variable alatoire conditionnelle S| = :
Pr[X = x| = A] =
_

_
3
4
, x = 0
(
1
4
)(
3
5
) =
3
20
, x = 10 000
(
1
4
)(
1
5
) =
1
20
, x = 20 000
(
1
4
)(
1
5
) =
1
20
, x = 30 000
Pr[X = x| = B] =
_

_
3
4
, x = 0
0, x = 10 000
(
1
4
)(
1
2
) =
1
8
, x = 20 000
(
1
4
)(
1
2
) =
1
8
, x = 30 000
Pr[X = x| = A] =
_

_
3
4
, x = 0
(
1
4
)(
1
5
) =
1
20
, x = 10 000
(
1
4
)(
1
5
) =
1
20
, x = 20 000
(
1
4
)(
3
5
) =
3
20
, x = 30 000
et Pr[ = ] = 1/3, = A, B, C. Deux solutions possibles.
1. Avec la distribution a posteriori de . Tout dabord, on a
Pr[ = |X
1
= 30 000] =
Pr[X
1
= 30 000| = ] Pr[ = ]

=A,B,C
Pr[X
1
= 30 000| = ] Pr[ = ]
=
_

_
1
20
1
20
+
1
8
+
3
20
=
2
13
, = A
1
8
1
20
+
1
8
+
3
20
=
5
13
, = B
3
20
1
20
+
1
8
+
3
20
=
6
13
, = C.
Or,
(A) = E[X| = A] = 4 000
(B) = E[X| = B] = 6 250
(C) = E[X| = C] = 6 000,
do la prime bayesienne pour la deuxime anne est
E[()|X
1
= 30 000] = 4 000
_
2
13
_
+ 6 250
_
5
13
_
+ 6 000
_
6
13
_
= 5 788,46.
64 Solutions
2. Avec la distribution prdictive. On a
Pr[X
2
= x|X
1
= 30 000] =
Pr[X
2
= x, X
1
= 30 000]
Pr[X
1
= 30 000]
=

=A,B,C
Pr[X
2
= x| = ] Pr[X
1
= 30 000| = ] Pr[ = ]

=A,B,C
Pr[X
1
= 30 000| = ] Pr[ = ]
=
_

_
3
4
, x = 0
(
3
4
)(
1
20
) + (
3
4
)(
1
8
) + (
3
4
)(
3
20
)
1
20
+
1
8
+
3
20
, x = 10 000
(
3
20
)(
1
20
) + (0)(
1
8
) + (
1
20
)(
3
20
)
1
20
+
1
8
+
3
20
, x = 20 000
(
1
20
)
2
+ (
1
8
)
2
+ (
3
20
)
2
1
20
+
1
8
+
3
20
, x = 30 000
=
_

_
3
4
, x = 0
6
130
, x = 10 000
41
520
, x = 20 000
65
520
, x = 30 000,
do
E[X
2
|X
1
= 30 000] = 10 000
_
6
130
_
+ 20 000
_
41
520
_
+ 30 000
_
65
520
_
= 5 788,46.
3.11 La svrit des sinistres ne joue aucun rle dans ce problme. On pose
S| = Poisson() et Gamma(, ). On sait que E[] = / = 2
et Var[] = /
2
= 2, do = 2 et = 1.
a) On charge la prime collective un nouvel assur. Or,
E[S] = E[E[S|]]
= E[]
= 2.
b) On cherche E[()|S
1
+ S
2
+ S
3
= 8]. Or,
u(|x
1
, x
2
, x
3
)
3

t=1
f (x
t
|)u()

t=1

x
t
e

21
e

3
t=1
x
t
+21
e
4
,
Solutions 65
do |S
1
= x
1
, S
2
= x
2
, S
3
= x
3
Gamma(
3
t=1
x
t
+2, 4). (On remar-
quera donc que seul le nombre total de sinistres dans les trois pre-
mires annes est important, pas les frquences annuelles.) Enn,
E[()|S
1
+ S
2
+ S
3
= 8] = E[|S
1
+ S
2
+ S
3
= 8] = 10/4 = 2,5.
3.12 On a N| = Binomiale(2, ) et
Pr[ = ] =
_

_
0,25, = 1/4
0,25, = 1/2
0,50, = 1/8.
a) On a
Pr[ = |N
1
= 0, N
2
= 2] =
Pr[N
1
= 0, N
2
= 2| = ] Pr[ = ]

Pr[N
1
= 0, N
2
= 2| = ] Pr[ = ]
=

2
(1 )
2
Pr[ = ]

2
(1 )
2
Pr[ = ]
=
_

_
0,008789
0,030396
, = 1/4
0,015625
0,030396
, = 1/2
0,005981
0,030396
, = 1/8
=
_

_
0,2891, = 1/4
0,5141, = 1/2
0,1968, = 1/8.
b) On doit calculer E[N
3
|N
1
= 0, N
2
= 2]. On peut procder de deux
faons. Tout dabord, en trouvant dabord la distribution prdictive :
Pr[N
3
= n|N
1
= 0, N
2
= 2]
=

Pr[N
3
= n| = ] Pr[ = |N
1
= 0, N
2
= 2]
=
_

_
0,4418, n = 0
0,4085, n = 1
0,1497, n = 2.
Ainsi,
E[N
3
|N
1
= 0, N
2
= 2] = 0,4085 + 2(0,1497)
= 0,7078.
Lautre mthode, plus rapide, consiste calculer la prime bayesienne
66 Solutions
partir de la prime de risque :
E[N
3
|N
1
= 0, N
2
= 2] = E[()|N
1
= 0, N
2
= 2]
= E[2|N
1
= 0, N
2
= 2]
= 2E[|N
1
= 0, N
2
= 2]
= 2
_
1
4
(0,2891) +
1
2
(0,5141) +
1
8
(0,1968)
_
= 0,7078.
3.13 Soit S le rsultat du tir alatoire et le rsultat du d. On a S| =
U(0, 100) et Pr[ = ] = 1/6.
a) On trouve dabord la densit a posteriori de :
Pr[ = |S
1
= 80, S
2
= 340) =
f (80|) f (340|) Pr[ = ]

6
=1
f (80|) f (340|) Pr[ = ]
=
_

_
(
1
100
)(0)
(
1
400
)
2
+(
1
500
)
2
+(
1
600
)
2
, = 1
(
1
200
)(0)
(
1
400
)
2
+(
1
500
)
2
+(
1
600
)
2
, = 2
(
1
300
)(0)
(
1
400
)
2
+(
1
500
)
2
+(
1
600
)
2
, = 3
(
1
400
)(
1
400
)
(
1
400
)
2
+(
1
500
)
2
+(
1
600
)
2
, = 4
(
1
500
)(
1
500
)
(
1
400
)
2
+(
1
500
)
2
+(
1
600
)
2
, = 5
(
1
600
)(
1
600
)
(
1
400
)
2
+(
1
500
)
2
+(
1
600
)
2
, = 6
=
_

_
0, = 1
0, = 2
0, = 3
0,4798, = 4
0,3070, = 5
0,2132, = 6.
Ainsi, puisque () = E[S| = ] = 50, la prime bayesienne est
E[()|S
1
= 80, S
2
= 340] = 50[(4)(0,4798) + (5)(0,3070) + (6)(0,2132)]
= 236,67.
b) Il faudrait que
236,65 = z

S + (1 z)E[()]
= z210 + (1 z)(50)(1 + 2 + 3 + 4 + 5 + 6)
_
1
6
_
= 175 35z,
Solutions 67
soit z = 1,76. Comme z ne peut tre plus grand que 1 par dnition,
il est impossible dcrire la prime bayesienne sous la forme dune
prime de crdibilit.
3.14 Par le thorme de Bayes,
u(|S
1
= 1, S
2
= 1) =

2
t=1
f (x
t
| = )u()
_
10
0

2
t=1
f (x
t
| = )u() d
=

50

2
t=1

2
x
t
e
x
t
_
10
0

50

2
t=1

2
x
t
e
x
t
d
=

5
e
2
_
10
0

5
e
2
d
,
pour 0 < <10. Or,
_
10
0

5
e
2
d =
(6)
2
6
_
10
0
2
6
(6)

61
e
2
d
= 1,875G(10; 6, 2),
o G(x; , ) est la fonction de rpartition dune loi Gamma(, ). On
peut trouver la valeur de G(10; 6, 2) dans Excel ou dans R avec
> pgamma(10, 6, 2)
[1] 0.999928
Par consquent, la distribution a posteriori de est
u(|S
1
= 1, S
2
= 1) =
_
_
_

5
e
2
1,8737
, 0 < <10
0, ailleurs.
3.15 a) Le modle est le suivant : N| Poisson() et
Pr[ = ] =
_
0,5, = 2
0,5, = 4.
b) On doit dabord trouver la distribution a posteriori de en utilisant
Pr[N
1
= 4, N
2
= 4| = 2] =
_
2
4
e
2
4!
_
2
= 0,008140
Pr[N
1
= 4, N
2
= 4| = 4] =
_
4
4
e
4
4!
_
2
= 0,038168,
68 Solutions
do Pr[N
1
= 4, N
2
= 4] = 0,008140(0,5) + 0,038168(0,5) = 0,023154.
Alors
Pr[ = |N
1
= 4, N
2
= 4] =
_
0,008140(0,5)
0,023154
= 0,175779, = 2
0,038168(0,5)
0,023154
= 0,824221, = 4.
Ainsi, puisque () = , la prime bayesienne pour la troisime an-
ne est E[|N
1
= 4, N
2
= 4] = 2(0,175779) + 4(0,824221) = 3,6484.
3.16 Soit
1
reprsentant les bons risques,
2
les moyens risques et
3
les
mauvais risques. On a donc le modle suivant :
S| =
1
Gamma(4, 2) f (x|
1
) =
8
3
x
3
e
2x
S| =
2
Gamma(4, 1) f (x|
2
) =
1
6
x
3
e
x
S| =
3
Gamma(10, 2) f (x|
3
) =
8
2 835
x
9
e
2x
et
Pr[ =
i
] =
_

_
0,25, i = 1
0,60, i = 2
0,15, i = 3.
De plus (
1
) = 2, (
2
) = 4 et (
3
) = 5. Le calcul de la prime baye-
sienne requiert la distribution a posteriori de :
Pr[ =
i
|S
1
= 1, S
2
= 2] =
f (1|
i
) f (2|
i
) Pr[ =
i
]

3
j=1
f (1|
j
) f (2|
j
) Pr[ =
j
]
=
_

_
0,841507, i = 1
0,158457, i = 2
0,000036, i = 3.
Finalement, la prime bayesienne pour la troisime anne est E[()|S
1
=
1, S
2
= 2] = 2(0,841507) + 4(0,158457) + 5(0,000036) = 2,3170.
3.17 a) Soit reprsentant le niveau de risque dun contrat, avec = 1 iden-
tiant un risque de classe A et = 3 identiant un risque de classe B.
Comme chaque classe contient le mme nombre de risques, la pro-
babilit quun risque choisi au hasard provienne dune classe est de
50 % :
Pr[ = ] =
_
1
2
, = 1
1
2
, = 3.
Si N est le nombre de sinistres pendant un an pour un contrat et X
est le montant dun sinistre pour ce mme contrat, on a le modle
Solutions 69
suivant :
N| Poisson()
X| Exponentielle(1/).
En effet, il est prcis dans lnonc que lesprance de la loi expo-
nentielle dans chaque groupe est gale celle de la loi de Poisson.
b) Pour simplier la notation, on prend A pour reprsenter lvnement
{N
1
= 2, X
1
= 1, X
2
= 3}. On veut
E[S|A] =

=1,3
E[S| = ] Pr[ = |A].
Premirement, comme la frquence et la svrit sont indpendantes
sachant lintrieur de chaque classe, on a
E[S|] = E[N|]E[X|] =
2
.
Puis, en utilisant la rgle de Bayes,
Pr[ = |A] =
Pr[A| = ] Pr[ = ]

=1,3
Pr[A| = ] Pr[ = ]
=
(
2
e

)(
1

e
1/
)(
1

e
3/
)(
1
2
)

=1,3
(
2
e

)(
1

e
1/
)(
1

e
3/
)(
1
2
)
=
e
(
2
+4)/

=1,3
e
(
2
+4)/
=
_
0,3392, = 1
0,6608, = 3,
do
E[S|A] = (1)
2
(0,3392) + (3)
2
(0,6608) = 6,286.
3.18 On a S| Gomtrique() et Bta(, ).
a) () = E[S|] =

x=0
x(1 )
x
= (1 )/. (Ce rsultat est ais-
ment obtenu en drivant

x=0
(1 )
x
= 1.)
b) La prime collective est
m = E[()] =
( + )
()()
_
1
0

2
(1 )

d
=
( + )
()()
( 1)( + 1)
( + )
=

1
.
70 Solutions
c) Soit S = (S
1
, . . . , S
n
) et x = (x
1
, . . . , x
n
). Premirement, Pr[S = x| =
] =
n
t=1
Pr[S
t
= x
t
| = ] =
n
(1 )
x
t
. Ensuite,
u(|x)
n
(1 )
x
t

1
(1 )
1
=
+n1
(1 )
+x
t
1
,
do |S = x Bta( = + n,

= +x
t
).
d) Comme la densit a posteriori de est du mme type que sa densit
a priori, on peut calculer en premier la densit marginale de S. La
distribution prdictive sera du mme type, mais avec des paramtres
modis. Or,
Pr[S = x] =
_
1
0
Pr[S = x| = ]u() d
=
( + )
()()
_
1
0

(1 )
+x1
d
=
( + )
()()
( + 1)( + x)
( + + x + 1)
et donc
Pr[S
n+1
= x|S = x] =
( +

)
( )(

)
( + 1)(

+ x)
( +

+ x + 1)
,
avec = + n et

= +x
t
.
e) On utilise le rsultat en c) car trouver lesprance de la distribution
prdictive trouve en d) peut tre quelque peu compliqu. Des rsul-
tats de b) et c),
E[()|S] =

1
=
+
n
t=1
S
t
+ n 1
.
f) E[()|S] = z

S + (1 z)m avec z = n/(n + 1).
3.19 On a S| Binomiale(, ) et Bta(, ).
a) La prime de risque est () = E[S|] = .
b) La prime collective est E[()] = E[] = /( + ).
c) On a
u(|x
1
, . . . , x
n
) u()
n

t=1
Pr[S = x
t
| = ]

1
(1 )
1
n

t=1

x
t
(1 )
x
t
=
+x
t
1
(1 )
+n+x
t
1
.
La distribution a posteriori de sachant lexprience S
1
, . . . , S
n
est
une bta avec paramtres = +
n
t=1
S
t
et

= + n
n
t=1
S
t
.
Solutions 71
d) Comme la distribution a posteriori est de mme famille que la dis-
tribution a priori, la prime bayesienne est de la mme forme que la
prime collective, mais avec des paramtres modis :
E[()|S
1
, . . . , S
n
] =

+

=
( +
n
t=1
S
t
)
n + +
=
_
n
n + +
__

n
t=1
S
t
n
_
+
_
+
n + +
__

+
_
= z

S + (1 z)E[()]
o
z =
n
n + ( + )/
.
Cette combinaison de distributions est une gnralisation du cas Ber-
noulli/Bta.
3.20 On a S| Gamma(, ) et Gamma(, ).
a) La densit marginale de S est calcule comme suit :
f (x) =
_

0
f (x|) u() d
=

x
1
()()
_

0

e
x

1
e

d
=

x
1
()()
( + )
(x + )
+
,
laquelle est une densit de Pareto gnralise avec paramtres , et
.
b) La prime de risque est () = E[S|] = /.
c) De la distribution marginale de S, on a m = E[S] = /( 1) (an-
nexe B.2.6). De la prime de risque, m = E[1/] = /( 1). Les
deux approches sont quivalentes.
d) La densit de la distribution a posteriori de est
u(|x
1
, . . . , x
n
) u()
n

t=1
f (x
t
|)

1
e

t=1

e
x
t
=
+n1
e
(+x
t
)
,
72 Solutions
do la distribution a posteriori de est une gamma avec paramtres
= + n et

= +
n
t=1
x
t
. La distribution a priori de est la
conjugue naturelle de la fonction de vraisemblance f (x|).
e) La distribution prdictive est une Pareto gnralise avec paramtres
= + n,

= +
n
t=1
x
t
et .
f) En utilisant la distribution a posteriori ou la distribution prdictive,
la prime bayesienne pour lanne n + 1 est simplement la prime col-
lective avec les paramtres modis. Donc,
E[()|S
1
, . . . , S
n
] =
_

1
_
=
_
+
n
t=1
S
t
+ n 1
_
.
g) La prime bayesienne ci-dessus peut tre rcrite comme suit :
E[()|S
1
, . . . , S
n
] =
_
n
n + 1
_
n

t=1
S
t
n
+
_
1
n + 1
__

1
_
= z

S + (1 z)m
avec
z =
n
n + ( 1)/
.
3.21 Dans le cas exponentielle/gamma, la prime bayesienne est
B
n+1
=
+
n
t=1
x
t
+ n 1
.
Ici = 7 et = 42. Si B
5
= 9, alors 42 +
4
t=1
x
t
= 9(7 + 4 1) = 90. Par
consquent,
B
6
=
42 +
4
t=1
x
t
+ x
5
7 + 5 1
=
90 + x
5
11
= 8,5,
do x
5
= 3,5.
3.22 Dans le modle Poisson/gamma, z = n/(n +). Si z = 0,8 quand n = 4,
alors = 1. Pour doubler la variance dune distribution gamma sans
changer son esprance, il faut diminuer de moiti chacun des para-
mtres. Le nouveau paramtre est donc 1/2. On cherche la nouvelle
valeur de n telle que n/(n + 1/2) = 0,8, do n = 2.
Solutions 73
3.23 Dans le modle Poisson/gamma, on sait que la distribution prdictive
est une binomiale ngative avec paramtres r = +
n
t=1
x
t
et = ( +
n)/( + n + 1). Ici, on peut identier r = 7, = 0,9 et on a n = 2 et
x
1
+ x
2
=3. Par consquent, =4, =7 et lesprance de la distribution
a priori une gamma est 4/7.
3.24 On a un modle exponentielle/gamma. Selon le tableau de lannexe
A, la distribution marginale de S dans un tel cas est une Pareto(, ) et
la distribution de |S
1
= x
1
, . . . , S
n
= x
n
une Gamma( +n, +
n
t=1
x
t
).
Par consquent, la distribution de S|S
1
= x
1
, . . . , S
n
= x
n
est une Pareto( +
n, +
n
t=1
x
t
) et
Pr(S
4
5|S
1
= 2, S
2
= 3, S
3
= 7) = 1
_
8 + 12
8 + 12 + 5
_
2+3
= 0,6723.
3.25 On sait que dans le cas Poisson/gamma, z = n/(n + ). Ici, n = 5, et

S = (3 + 1 + 5 + 4 + 2)/5 = 3. De plus, la prime collective, m, est gale


2 dans tous les cas ci-dessous.
a) Ici, z = 0,5 et donc
6
= 2,5.
b) Ici, z = 1/6 et donc
6
= 2,17.
c) Ici, z = 0,9524 et donc
6
= 2,9524.
Plus le paramtre de la distribution gamma est petit, moins certaine
est la valeur du paramtre de risque . Par consquent, on accorde plus
dimportance lexprience individuelle en augmentant le facteur de
crdibilit.
3.26 La distribution marginale donne est une Pareto(1,5, 100). Or, on sait
que la Pareto est la distribution marginale dans le mlange Exponen-
tielle/gamma et que, dans ce cas, la distribution prdictive sera une
Pareto(1,5 + n, 100 +
n
t=1
S
t
). Par consquent,
E[S
6
|S
1
= S
2
= = S
5
= 0] =
100
1,5 + 5 1
=
200
11
.
3.27 Il est utile de remarquer ici que X| Binomiale ngative(5, ) et
Bta(6, 4). Par consquent, () = r(1 )/ = 5(1 )/ et
u(|x
1
= 7, x
2
= 13, x
3
= 1, x
4
= 4)
5
(1 )
3
4

t=1

5
(1 )
x
t
=
25
(1 )
3+x
t
=
25
(1 )
28
,
74 Solutions
do |X
1
= 7, X
2
= 13, X
3
= 1, X
4
= 4 Bta(26, 29). Ainsi,
E[()|X
1
= 7, X
2
= 13, X
3
= 1, X
4
= 4] = 5
(55)
(26)(29)
_
1
0

24
(1 )
29
d
= 5
_
(55)
(26)(29)
__
(25)(30)
(55)
_
=
29
5
= 5,8.
3.28 On a le modle suivant :
S| = Poisson()
Gamma(, )
La covariance entre S
1
et S
2
est
Cov(S
1
, S
2
) = E[Cov(S
1
, S
2
|)] + Cov(E[S
1
|], E[S
2
|])
= Var[()]
= Var[]
=

2
.
Or, on sait que dans le modle Poisson/gamma, la distribution prdic-
tive est une binomiale ngative de paramtres r = +x
j
et p = ( +
n)/( + n +1). On a donc 7 = +3 do = 4 et 0,9 = ( +2)/( +3)
do = 7. Par consquent, Cov(S
1
, S
2
) =
4
49
.
3.29 a) On doit dmontrer que la densit a posteriori u(|x
1
, . . . , x
n
) est de la
mme famille que la densit a priori u(). De manire usuelle,
u(|x
1
, . . . , x
n
) u()
n

t=1
f (x
t
|)
q()
t
0
e
x
0
n

t=1
e
x
t
q()
= q()
t
0
n
e
(x
0
+x
t
)
qui est, en effet, de la mme famille que u() avec paramtres modi-
s

t
0
= t
0
+ n et x
0
= x
0
+
n
t=1
x
t
.
b) Premirement, on note que q() =
_

p(x)e
x
dx pour faire de f (x|)
Solutions 75
une densit. Ensuite,
() =
_

x f (x|) dx
=
1
q()
_

xp(x)e
x
dx
=
1
q()
_

d
d
(p(x)e
x
) dx
=
1
q()
d
d
_

p(x)e
x
dx
=
q

()
q()
=
d
d
lnq().
c) On a
d
d
u() =
1
d(x
0
, t
0
)
d
d
q()
t
0
e
x
0
=
1
d(x
0
, t
0
)
_
t
0
q()
t
0
1
q

()e
x
0
x
0
q()
t
0
e
x
0
_
=
_
t
0
_

()
q()
_
x
0
_
q()
t
0
e
x
0
d(x
0
, t
0
)
= (t
0
() x
0
)u().
d) Supposons, sans perte de gnralit, que le domaine de dnition
de la densit obtenue en c) est (, ). En supposant que u() =
u() = 0, on obtient
_

d
d
u() d = 0.
Or,
_

d
d
u() d = t
0
_

()u() d x
0
_

u()
= t
0
E[()] x
0
,
do E[()] = x
0
/t
0
.
e) On sait que la prime bayesienne est de la mme forme que la prime
collective, mais avec des paramtres modis. On a donc
E[()|X
1
, . . . , X
n
] =
x
0

t
0
=
x
0
+
n
t=1
X
t
t
0
+ n
=
_
n
n + t
0
_

X +
_
t
0
n + t
0
__
x
0
t
0
_
,
qui est une prime de crdibilit.
76 Solutions
3.30 On a
f (x|) =
1

e
x/
, x >0
et
u() =

()

1
e

, >0.
La distribution a posteriori de est
u(|x
1
, . . . , x
n
)
1
e

t=1

1
e

1
x
t
=
n1
e
+
1
x
t
,
qui nest clairement pas une gamma. Donc, la gamma nest pas la conju-
gue naturelle de lexponentielle avec moyenne . (La gamma inverse
lest, par contre.)
3.31 Voir lexercice 3.20.
3.32 a) On a
f (x; ) =
_
n
x
_

x
(1 )
nx
= exp
_
ln
__
n
x
_

x
(1 )
nx
__
= exp
_
xln() + (n x) ln(1 ) + ln
_
n
x
__
= exp
_
x(ln() ln(1 )) + ln
_
n
x
_
+ nln(1 )
_
,
do
A(x) = x
B(x) = ln
_
n
x
_
q() = nln(1 ).
b) On a
f (x; ) =
( + )
()()
x
1
(1 x)
(1)
= exp
_
ln
_
( + )
()()
x
1
(1 x)
1
__
= exp
_
( 1) ln(x) + ( 1) ln(1 x) + ln
_
( + )
()()
__
,
Solutions 77
do
A(x) = ln(x)
B(x) = ( 1) ln(1 x)
q() = ln( + ) ln() ln().
c) On a
f (x; ) =
1

2
e

1
2
(
x

)
2
= exp
_
ln
_
1

2
_
+
1
2
_
x

_
2
_
= exp
_
x

2

x
2
2
2

_
ln(

2) +

2
2
2
__
,
do
A(x) = x
B(x) =
x
2
2
2
q() = ln

2

2
2
2
.
d) On a
f (x; ) =

()
x
1
e
x
= e
(1) lnxx+ lnln()
,
do,
A(x) = ln(x)
B(x) = x
q() = ln ln().
e) On a
f (x; ) = e
x
= e
x+ln
,
do
A(x) = x
B(x) = 0
q() = ln.
78 Solutions
3.33 An dexprimer la fonction de vraisemblance sous la forme a(x)e
x
j
/c(),
on utilise la paramtrisation
f (x|) = (1 e

)e
x
,
do a(x) = 1 et c() = (1 e

)
1
. On a donc que
= 1 e

Bta(, ).
Soit u() la fonction de densit de probabilit de et w() celle de .
On a
u() = w(1 e

d
d
(1 e

=
( + )
()()
(1 e

)
1
(e

=
c()
n
0
e
x
0
d(n
0
, x
0
)
,
avec
n
0
= 1
x
0
= .
3.34 On a
f (x|) =
a(x)e
x
c()
avec
a(x) =
1

2
e
x
2
2
et
c() =
_

a(x)e
x
dx
=
_

2
e
(x
2
+2x)/2
dx
= e

2
/2
_

2
e
(x
2
+2x+
2
)/2
dx
= e

2
/2
_

2
e
(x+)
2
/2
dx
= e

2
/2
.
Par consquent,
f (x|) =
1

2
e
(x+)
2
/2
,
Solutions 79
do S| = Normale(, 1). De plus,
u() c()
n
0
e
x
0
e
(
2
n
0
+2x
0
)/2
exp
_

1
2
( +
x
0
n
0
)
2
1
n
0
_
,
donc, Normale(x
0
/n
0
, 1/n
0
).
Chapitre 4
4.1 On peut rsoudre ce problme de deux faons.
a) De manire similaire lexercice 3.10, on trouve la distribution du
montant total des sinistres S en considrant la probabilit de ne pas
avoir daccident. En identiant les femmes par = 0,2 et les hommes
par = 0,4, on a
Pr[S = x| = 0,2] =
_

_
0,8, x = 0
(0,8)(0,2) = 0,16, x = 100
(0,1)(0,2) = 0,02, x = 200
(0,1)(0,2) = 0,02, x = 400
Pr[S = x| = 0,4] =
_

_
0,6, x = 0
(0,8)(0,4) = 0,32, x = 100
(0,1)(0,4) = 0,04, x = 200
(0,1)(0,4) = 0,04, x = 400
et
Pr[ = ] =
_
0,5, = 0,2
0,5, = 0,4.
Ainsi,
(0,2) = 28
2
(0,2) = 4 816
(0,4) = 56
2
(0,4) = 8 064
80 Solutions
et
s
2
= E[
2
()]
=
4 816 + 8 064
2
= 6 440
a = Var[()]
=
28
2
+ 56
2
2

_
28 + 56
2
_
2
= 196,
do le facteur de crdibilit est z = n/(n + s
2
/a) = n/(n + 32,86).
b) On pose S = X
1
+ + X
N
avec N| = Bernoulli(),
Pr[ = ] =
_
0,5, = 0,2
0,5, = 0,4.
et
Pr[X = x] =
_

_
0,8, x = 100
0,1, x = 200
0,1, x = 400.
On a alors
() = E[S|]
= E[N|]E[X]
= 140

2
() = Var[S|]
= Var[N|]E[X]
2
+ E[N|]Var[X]
= 19 600(1 ) + 8 400
= 28 00019 600
2
,
do
s
2
= E[
2
()]
= 28 000E[] 19 600E[
2
]
= 28 000(0,3) 19 600(0,1)
= 6 440
Solutions 81
et
a = Var[()]
= 19 600Var[]
= 19 600(0,01)
= 196
Le facteur de crdibilit est donc z = n/(n + s
2
/a) = n/(n + 32,86).
4.2 Soit S le nombre de balles rouges tires et la probabilit de tirer une
balle rouge. On identie par =0,75 lurne A, =0,50 lurne B et =0,25
lurne C. On a le modle S| = Binomiale(5, ) et
Pr[ = ] =
_

_
1
6
, = 0,75
3
6
, = 0,50
2
6
, = 0,25.
Ainsi, () = E[S|] = 5 et
2
() = Var[S|] = 5(1 ), do
m = E[()] = 5E[] = 2,2917
s
2
= E[
2
()] = 5(E[] E[
2
]) = 1,0938
et
a = Var[()] = 25Var[] = 0,7378.
Aprs une exprience lors de laquelle on a obtenu

S = S
1
= 3, le fac-
teur de crdibilit est z = 1/(1 + 1,0938/0,7378) = 0,4028. Lestimateur
de Bhlmann du nombre de boules rouges lors du prochain tir dans la
mme urne est donc

2
= 0,4028(3) + (1 0,4028)(2,2917)
= 2,5770.
4.3 a) Soit
A
le niveau de risque de la classe A et
B
celui de la classe B. Le
modle est le suivant :
Pr[S = x| =
A
] =
_
0,2, x = 2
0,8, x = 0
Pr[S = x| =
B
] =
_
0,2, x = c
0,8, x = 0
Pr[ = ] =
_
1
2
, =
A
1
2
, =
B
.
82 Solutions
b) Avec linformation de a), on a
E[S| =
A
] = 0,4 Var[S| =
A
] = 0,64
E[S| =
B
] = 0,2c Var[S| =
B
] = 0,16c
2
.
Ainsi,
s
2
= E[Var[S|]] = 0,32 + 0,08c
2
a = Var[E[S|]] = 0,04 0,04c + 0,01c
2
et, donc,
K =
0,32 + 0,08c
2
0,04 0,04c + 0,01c
2
.
Comme il ny a quune anne dexprience, le facteur de crdibilit est
z = 1/(1 + K). Or, lim
c
K = 8 do lim
c
z = 1/9.
4.4 On prend
1
pour reprsenter les bons risques,
2
les risques moyens et

3
les mauvais risques. On a le modle suivant :
X| =
1
Gamma(4, 2)
X| =
2
Gamma(4, 1)
X| =
3
Gamma(10, 2)
et
Pr[ =
i
] =
_

_
0,25, i = 1
0,60, i = 2
0,15, i = 3.
Ainsi,
(
1
) = 2,
2
(
1
) = 1
(
2
) = 4,
2
(
1
) = 4
(
3
) = 5,
2
(
1
) = 2,5
et
m = E[()]
= 0,25(2) + 0,60(4) + 0,15(5) = 3,65
s
2
= E[
2
()]
= 0,25(1) + 0,60(4) + 0,15(2,5) = 3,025
a = Var[()]
= 0,25(2
2
) + 0,60(4
2
) + 0,15(5
2
) m
2
= 1,0275.
Solutions 83
Le facteur de crdibilit aprs deux annes est
z =
2
2 + 3,025/1,0275
= 0,4045
et, enn, la prime de Bhlmann pour la troisime anne aprs une exp-
rience individuelle moyenne de (1 + 2)/2 = 1,5 est

3
= z(1,5) + (1 z)(3,65) = 2,78.
4.5 On a
m = E[()]
=
1 000
5 000
(50) +
2 000
5 000
(200) +
1 000
5 000
(500) +
1 000
5 000
(1 000)
= 390
s
2
= E[
2
()]
=
1 000
5 000
(100 000) +
2 000
5 000
(500 000) +
1 000
5 000
(500 000) +
1 000
5 000
(500 000)
= 420 000
et
a = Var[()]
= E[()
2
] m
2
= 114 400.
Le facteur de crdibilit aprs quatre ans est donc z =4/(4 +420 000/114 400) =
0,5214 et la prime de crdibilit est

5
= (0,5214)
_
800
4
_
+ (0,4786)(390) = 290,93.
4.6 On prend
1
pour reprsenter les bons risques,
2
les risques moyens et

3
les mauvais risques. On a donc le modle suivant :
X| =
1
Pareto(4, 1200)
X| =
2
Gamma(1000, 2)
X| =
3
Exponentielle(0,00125)
et
Pr[ =
i
] =
_

_
0,3, i = 1
0,5, i = 2
0,2, i = 3.
84 Solutions
Ensuite,
(
1
) = 400,
2
(
1
) = 320 000
(
2
) = 500,
2
(
1
) = 250
(
3
) = 800,
2
(
1
) = 640 000
et
m = E[()] = 530
s
2
= E[
2
()] = 224 125
a = Var[()] = 20 100.
Le facteur de crdibilit aprs quatre annes dexprience est donc
z =
4
4 + 224 125/20 100
= 0,2640.
4.7 On a S|= Gamma(5, ), do () =5/ et
2
() =5/
2
= ()
2
/5.
On nous donne la fonction de masse de probabilit de la prime de risque :
Pr[() = ] =
_

_
0,3, = 2 500
0,5, = 4 000
0,2, = 5 000
ou, de manire quivalente,
Pr[ = ] =
_

_
0,3, = 0,002
0,5, = 0,00125
0,2, = 0,001.
Solutions 85
Par consquent,
m = E[()]
= 2 500(0,3) + 4 000(0,5) + 5 000(0,2)
= 3 750,
s
2
= E[
2
()]
=
1
5
E[()
2
]
=
(2 500)
2
(0,3) + (4 000)
2
(0,5) + (5 000)
2
(0,2)
5
= 2 975 000,
a = Var[()]
= (2 500)
2
(0,3) + (4 000)
2
(0,5) + (5 000
2
)(0,2) m
2
= 812 500,
K =
s
2
a
= 3,6615
et

5
=
4
4 + K
20 000
4
+
K
4 + K
3750
= 4 402,61.
4.8 Cas gomtrique/bta avec = =3. Voir les formules de lannexe A. La
prime bayesienne et la prime de Bhlmann sont gales dans un tel cas.
4.9 Dans tous les cas ci-dessous, le facteur de crdibilit est z = n/(n + K),
o K = s
2
/a, s
2
= E[
2
()], a = Var[()] et la prime de crdibilit est
z

S + (1 z)m.
a) On a S| Bernoulli(), Bta(, ), do () = et
2
() =
(1 ) =
2
. Alors,
m =

+
s
2
=

+

( + 1)
( + )( + + 1)
=

( + )( + + 1)
a =
( + 1)
( + )( + + 1)


2
( + )
2
=

( + )
2
( + + 1)
,
et K = + .
b) On a S|Gomtrique(), Bta(, ), do () = (1 )/,

2
() = (1 )/
2
. Or, il est facile de dmontrer que si a une
86 Solutions
distribution bta, alors
E
_
(1 )
j

k
_
=
( + )( k)( + j)
()()( + + j k)
.
Par consquent,
m =

1
s
2
=
( + 1)
( 1)( 2)
a =
( + 1)
( 1)
2
( 2)
,
et K = 1.
c) On a S| Gamma(, ), Gamma(, ), do () = / et

2
() = /
2
. On peut dmontrer que
E[
k
] =
_

_
( + 1) . . . ( + k 1)

k
, k 1
1, k = 0

|k|
( 1)( 2) . . . ( |k|)
, k 1, |k| < .
Par consquent,
m =

1
s
2
=

2
( 1)( 2)
a =

2

2
( 1)
2
( 2)
,
et K = ( 1)/. On remarque quil sagit dune gnralisation du cas
exponentielle/gamma.
d) On a S| Binomiale ngative(r, ), Bta(, ), do () =
r(1 )/ et
2
() = r(1 )/
2
. En utilisant le rsultat trouv en
b), on obtient
m =
r
1
s
2
=
r( + 1)
( 1)( 2)
a =
r
2
( + 1)
( 1)
2
( 2)
,
et K = ( 1)/r. On remarque quil sagit de la gnralisation du cas
gomtrique/bta.
Solutions 87
e) On a S|Normale(5,
2
), U(a, b), do () =5 et
2
() =

2
. Alors
m =
5
2
(a + b)
s
2
=
2
a =
25(b a)
2
12
,
et
K =
12
2
25(b a)
2
.
f) On a S| Exponentielle(),
1
Bta(, ), do () =
1
et

2
() =
2
. Alors
m =

+
s
2
=
( + 1)
( + )( + + 1)
a =

( + )
2
( + + 1)
et
K =
( + )( + 1)

.
4.10 a) En posant gales zro les drives partielles de E[(()

X)
2
]
par rapport et , on obtient les quations normales
E[Y] E[

X] = 0
E[Y

X] E[

X] E[

X
2
] = 0.
La solution de ce systme dquation est
= E[Y]

E[

X]

=
Cov(Y,

X)
Var[

X]
.
b) Premirement, on a que Cov((), X
t
) = a. Il en dcoule directement
que Cov((),

X) = a. Deuximement,
Var[

X] = Var[E[

X|]] + E[Var[

X|]]
= Var[()] + E
_

2
()
n
_
= a +
s
2
n
.
88 Solutions
c) Dans un contexte de crdibilit, on a que E[()] = E[

X] = m, do
=
a n
a n + s
2
= z
et = (1 z)m. Cet exercice illustre deux choses : 1) que la prime de
Bhlmann minimise lesprance en c), o lon suppose dj un poids
gal donn chaque contrat, et 2) que la seule relle diffrence entre
la thorie de la crdibilit et les modles statistiques usuels rside
dans la structure de covariance.
4.11 On a (en laissant tomber les indices i) : X|Binomiale ngative(, 0,4)
et () Exponentielle(5). Par consquent,
() =
_
1 0,4
0,4
_
= 1,5
et

2
() =
_
1 0,4
0,4
2
_
= 3,75
= 2,5().
On remarque quil est simple, ici, de trouver la distribution de . En ef-
fet, () = 1,5 Exponentielle(5), do Exponentielle(7,5). Cela
dit, sans mme cette information, on trouve s
2
= E[
2
()] =2,5E[()] =
0,5 et a = Var[()] = 0,04, do K = 25/2 et z = 1/(1 +25/2) = 0,0741.
4.12 Soit N le nombre de sinistres. On a N| = Poisson(), E[N|] =
U(0,1, 0,3) et donc
m = E[()] = E[] = 0,2
s
2
= E[
2
()] = E[] = 0,2
a = Var[()] = Var[] =
1
300
.
Par consquent, K = s
2
/a = 60 et

6
=
_
5
5 + 60
__
3
5
_
+
_
60
5 + 60
_
(0,2) = 0,2308.
4.13 On a X|N(, 4
2
) avec () =et
2
() =4
2
, do
2
()/() =
4 U(0, 40) et donc U(0, 10). Ainsi, m = E[] = 5, s
2
= E[4
2
] =
Solutions 89
4(Var[] + E[]
2
) = 1,600/12 et a = Var[] = 100/12, do K = s
2
/a =
16 et, nalement,

5
=
_
4
4 + 16
__
12
4
_
+
_
1
4
4 + 16
_
(5) = 4,6.
4.14 a) S| = Poisson(). On a donc () = ,
2
() = ,
m = E[()] = E[] =

s
2
= E[
2
()] = E[] =

a = Var[()] = Var[] =

2
et donc z = n/(n + ). Dans tous les cas ci-dessous, m = 2 et

S =
(3 + 1 + 5 + 4 + 2)/5 = 3.
i) Si Gamma(10, 5), alors z = 1/2 et
6
= 2,5.
ii) Si Gamma(50, 25), alors z = 1/6 et
6
= 2,17.
iii) Si Gamma(
1
2
,
1
4
), alors z = 20/21 et
6
= 2,95.
b) S| = U(0, 2). On a donc () = ,
2
() =
2
/3,
m = E[()] = E[] =

s
2
= E[
2
()] =
E[
2
]
3
=
( + 1)
3
2
a = Var[()] = Var[] =

2
et donc z = (3n)/(3n + +1). Dans tous les cas ci-dessous, m = 2 et

S = (3 + 1 + 5 + 4 + 2)/5 = 3.
i) Si Gamma(10, 5), alors z = 15/26 et
6
= 2,58.
ii) Si Gamma(50, 25), alors z = 15/66 et
6
= 2,23.
iii) Si Gamma(
1
2
,
1
4
), alors z = 30/33 et
6
= 2,91.
4.15 On a
s
2
= E[
2
()]
= E[
2
]
= 4 500 + 150
2
= 27 000
et
a = Var[()]
= Var[]
= 4 500,
90 Solutions
do z =4/(4 +27 000/4 500) =0,4 et
5
= (0,4)(100 +125 +75 +120)/4 +
(0,6)(150) = 132.
4.16 On a Var[S] = Var[()] + E[
2
()] = a + s
2
. Pour le portefeuille A,
a = 0,25Var[S], do s
2
= 0,75Var[S] et
K
A
=
0,75
0,25
= 3.
Pour le portefeuille B, S N(, 25) et () N(, 16). Par consquent,
a = Var[()] = 16
s
2
= Var[S] Var[()] = 25 16 = 9
et
K
B
=
9
16
.
Puisque K
B
< K
A
, une plus grande crdibilit est accorde au porte-
feuille B.
4.17 a) On a () = et
2
() = . Par consquent,
Pr[() >5] = Pr[ >5] = e
5
= e
10
,
do =2. On sait que dans le modle Poisson/gamma, la constante
de crdibilit est K = = 2.
b) On a (
1
,
2
) = E[S
1
|
1
] + E[S
2
|
2
] =
1
+
2
et
2
(
1
,
2
) =
Var[S
1
|
1
] + Var[S
2
|
2
] =
1
+
2
. Par consquent,
s
2
= E[
2
(
1
,
2
)]
= E[
1
] + E[
2
]
=
1

+
1

et
a = Var[(
1
,
2
)]
= Var[
1
] + Var[
2
]
=
1

2
+
1

2
,
do
K =
( + )

2
+
2
.
Solutions 91
4.18 On nous donne les informations suivantes :
n+1
= 110,
n+2
= 125,

S
n
= 125,

S
n+1
= 150 et Var[()] = 0,25Var[S]. Tout dabord, on a
E[
2
()] = 0,75Var[S], do la constante de crdibilit est K = 3. Ainsi,
110 = z
n

S
n
+ (1 z
n
)m
=
_
n
n + 3
_
(125) +
_
3
n + 3
_
m
et
125 = z
n+1

S
n+1
+ (1 z
n+1
)m
=
_
n + 1
n + 1 + 3
_
(150) +
_
3
n + 1 + 3
_
m.
En rsolvant le systme dquations on trouve n = 2 et m = 100. Par
consquent, la prime de crdibilit dun assur ayant encouru 500 $ de
sinistres en n = 2 annes est

3
=
2
5
_
500
2
_
+
3
5
(100)
= 160.
4.19 On a () Gamma(6, 4) et
2
() = ()
2
, do
m = E[()] = 1,5
s
2
= E[
2
()]
= E[()
2
] =
21
8
a = Var[()] =
3
8
et
K =
s
2
a
= 7.
Ainsi,

n+1
=
n
n + 7

S +
7
n + 7
(1,5)
=

n
t=1
S
t
+ 10,5
n + 7
et donc
a
2,3
= 1,50 a
3,5
= 1,55
a
2,2
= 1,39 a
4,4
= 1,32
a
2,4
= 1,61 a
3,6
= 1,65.
Les noncs I et III sont donc vrais.
92 Solutions
4.20 On reconnait dans u() la fonction de densit de probabilit dune loi
gamma de paramtres = 3 et = 4 (do c = 4
3
/(3) = 32). On a donc
un modle Poisson/gamma pour lequel on retrouve toutes les formules
pertinentes lannexe A.
a) On a m = / = 0,75.
b) La prime de crdibilit est gale la prime bayesienne, soit

n+1
=
+
n
t=1
S
t
n +
=
3 +
n
t=1
S
t
n + 4
.
Avec S
1
= 4, S
2
= 1 et S
3
= 3, on a donc
2
= 7/5 = 1,4,
3
= 8/6 =
1,33 et
4
= 11/7 = 1,57.
4.21 On a S| Exponentielle() et () =
1
Gamma(, ) tel que
/ = 4 et /
2
= 8. Or,
m = E[
1
] =

= 4
s
2
= E[
2
] = Var[
1
] + E[
1
]
2
=

2
+
_

_
2
= 24
et
a = Var[
1
] = 8
donnent K = s
2
/a = 3, do le facteur de crdibilit aprs 2 ans est z =
2/5 = 0,4. La prime de Bhlmann est donc 0,4[(1 +3)/2] +0,6(4) = 3,2.
4.22 Premirement,

n
=
1
n 1 + K
n1

t=1
S
t
+
K
n 1 + K
m.
Alors,

n+1
=
1
n + K
n

t=1
S
t
+
K
n + K
m
=
1
n + K
_
n1

t=1
S
t
+ S
n
_
+
K
n + K
m
=
n 1 + K
n + K
_
1
n 1 + K
n1

t=1
S
t
+
K
n 1 + K
m
_
+
1
n + K
S
n
=
n

n
+ (1
n
)S
n
,
avec
n
= (n 1 + K)/(n + K).
Solutions 93
4.23 Soit
s
2
=
1
I(n 1)
I

i=1
n

t=1
(S
it


S
i
)
2
.
On veut dmontrer que E[ s
2
] = s
2
sans conditionner sur
i
. Le problme
se rduit au calcul de E[(S
it


S
i
)
2
]. Puisque E[S
it
] = E[

S
i
], on a
E[(S
it


S
i
)
2
] = Var[S
it
] + Var[

S
i
] 2Cov(S
it
,

S
i
).
Or, on sait que, par hypothse dans le modle de Bhlmann,
Cov(S
it
, S
iu
) = a +
tu
s
2
.
Par consquent, on a
Cov(S
it
,

S
i
) =
1
n
n

u=1
Cov(S
it
, S
iu
)
= a +
s
2
n
Var[

S
i
] = Cov(

S
i
,

S
i
)
=
1
n
n

u=1
Cov(S
it
,

S
i
)
= a +
s
2
n
et
Var[S
it
] = Cov(S
it
, S
it
)
= a + s
2
.
Ainsi
E[(S
it


S
i
)
2
] =
n 1
n
s
2
,
do E[ s
2
] = s
2
.
4.24 On se contente, ici, de donner des pistes de solutions. An de respecter
la seconde exigence, on pose
S
it
= Y
it1
+ +Y
itN
it
,
o Y
itu
est le montant individuel du sinistre u de la priode t du contrat
i et N
it
est le nombre total de sinistres du contrat i dans la priode t. Il
sagit, par la suite, de dterminer des modles de simulation pour Y
itu
et N
it
tel que E[S
it
|
i
] = (
i
) et Var[S
it
|
i
] =
2
(
i
). Comme il est
raisonnable de supposer que les contrats se distinguent davantage par
leur frquence de sinistres que par la svrit de ceux-ci, le modle pour
la simulation de N
it
dpendra de la variable alatoire
i
. Autrement dit,
on aura un modle de simulation pour N
it
|
i
=
i
et un autre pour
i
.
94 Solutions
4.25 On a
s
2
=
1
I(n 1)
I

i=1
n

j=1
(S
ij


S
i
)
2
=
1
(3)(5)
[(1 + 1 + 1 + 1) + (1 + 1 + 4 + 1 + 1) + (1 + 1 + 1 + 1)]
=
16
15
a =
1
I 1
I

i=1
(

S
i


S)
2

s
2
n
=
1
2
[1 + 1]
16/15
6
=
74
90
,
do K = 48/37 et z = 0,8222. Par consquent,

(1,7)
= (0,8222)(1) + (0,1778)(2) = 1,1778

(2,7)
= (0,8222)(3) + (0,1778)(2) = 2,8222

(3,7)
= 2.
Chapitre 5
5.1 Premirement, on sait que Cov(X
it
, X
iw
) = a + s
2
/w
i
et
Cov(X
iw
, X
iw
) =
n

t=1
w
it
w
i
Cov(X
it
, X
iw
)
=
n

t=1
w
it
w
i
_
a +
s
2
w
i
_
= a +
s
2
w
i
=
a
z
i
.
On a, par indpendance des contrats, que Cov(X
iw
, X
kw
) = 0, k i.
a) Ici,
Cov(X
iw
, X
ww
) =
I

k=1
w
i
w

Cov(X
iw
, X
kw
)
=
w
i
w

Cov(X
iw
, X
iw
) = a
w
i
w

+
s
2
w

.
Solutions 95
b) En utilisant le rsultat obtenu en (a),
Var[X
ww
] = Cov(X
ww
, X
ww
)
=
I

i=1
w
i
w

Cov(X
iw
, X
ww
)
=
I

i=1
w
i
w

_
a
w
i
w

+
s
2
w

_
= a
I

i=1
_
w
i
w

_
2
+
s
2
w

.
c) Premirement,
Cov(X
iw
, X
zw
) =
I

k=1
z
k
z

Cov(X
iw
, X
kw
)
=
z
i
z

Cov(X
iw
, X
iw
) =
a
z

.
Par consquent,
Var[X
zw
] = Cov(X
zw
, X
zw
)
=
I

i=1
z
i
z

Cov(X
iw
, X
zw
)
=
I

i=1
z
i
z

a
z

=
a
z

.
5.2 On calcule dabord lesprance de la variable alatoire (X
it
X
iw
)
2
. En
utilisant les rsultats du problme 5.1, on a que
E[(X
it
X
iw
)
2
] = Var[X
it
] + Var[X
iw
] 2Cov(X
it
, X
iw
)
= a +
s
2
w
it
+ a +
s
2
w
i
2
_
a +
s
2
w
i
_
=
s
2
w
it

s
2
w
i
.
Ainsi,
E
_
I

i=1
n

t=1
w
it
(X
it
X
iw
)
2
_
=
I

i=1
n

t=1
w
it
E[(X
it
X
iw
)
2
]
= (In I)s
2
,
do E[ s
2
] = s
2
.
96 Solutions
5.3 En premier lieu, on a que
E[(X
iw
X
ww
)
2
] = Var[X
iw
] + Var[X
ww
] 2Cov(X
iw
, X
ww
)
= a +
s
2
w
i
+ a
I

i=1
_
w
i
w

_
2
+
s
2
w

2
_
a
w
i
w

+
s
2
w

_
= a
_
1 2
w
i
w

+
I

i=1
_
w
i
w

_
2
_
+ s
2
_
1
w
i

1
w

_
.
Par consquent,
E
_
I

i=1
w
i
(X
iw
X
ww
)
2
_
= a
I

i=1
_
w
i
2
w
2
i
w

+ w
i
I

i=1
_
w
i
w

_
2
_
+ (I 1)s
2
= a
_
w


I
i=1
w
2
i
w

_
+ (I 1)s
2
= a
_
w
2

I
i=1
w
2
i
w

_
+ (I 1)s
2
.
Puisque E[ s
2
] = s
2
, on a donc que
a =
w

w
2

I
i=1
w
2
i
_
I

i=1
w
i
(X
iw
X
ww
)
2
(I 1) s
2
_
est un estimateur sans biais du paramtre a.
5.4 On a
E[(X
iw
X
zw
)
2
] = Var[X
iw
] + Var[X
zw
] 2Cov(X
iw
, X
zw
)
=
a
z
i
+
a
z

2
a
z

=
a
z
i

a
z

et, donc,
E
_
I

i=1
z
i
(X
iw
X
zw
)
2
_
=
I

i=1
z
i
E[(X
iw
X
zw
)
2
]
= (I 1)a,
do E[ a] = a.
Solutions 97
5.5 Si w
it
=w pour tout i et t, alors X
iw
=

X
i
, X
zw
=

X et z
i
=z = an/(an +s
2
).
Par consquent, a est la solution de
a =
1
I 1
I

i=1
an
an + s
2
(

X
i


X)
2
an + s
2
=
n
I 1
I

i=1
(

X
i


X)
2
a =
1
I 1
I

i=1
(

X
i


X)
2

s
2
n
,
soit a = a.
5.6 Puisque lim
a0
z
i
= 0, on a
lim
a0
X
zw
= lim
a0
I

i=1
z
i
z

X
iw
=
_
0
0
_
,
une indtermination. Or, puisque

a
z
i
=

a
aw
i
aw
i
+ s
2
=
w
i
(aw
i
+ s
2
) aw
2
i
(aw
i
+ s
2
)
2
,
alors, par une simple application de la rgle de lHpital, on trouve que
lim
a0
X
zw
=
I

i=1
s
2
w
i

I
i=1
s
2
w
i
X
iw
=
I

i=1
w
i
w

X
iw
= X
ww
.
5.7 La faon la plus simple de simuler des ratios consiste simuler des mon-
tants totaux de sinistres S
it
et poser
X
it
=
S
it
w
it
.
Pour la simulation des variables S
it
, se reporter la solution de lexercice
4.24. Il faut toutefois ajouter les poids au modle de simulation. Puisque
la taille des contrats a une inuence sur leur nombre de sinistres et non
sur le montant de ceux-ci, on intgrera les poids w
it
au modle de simu-
lation de N
it
|
i
=
i
.
98 Solutions
5.8 On nous donne des montants totaux de sinistres. Il faut convertir ces
donnes en ratios pour pouvoir utiliser le modle de BhlmannStraub.
En dnissant X
it
= S
it
/w
it
, on obtient les nouvelles donnes suivantes :
X
it
Anne
Employeur 1 2 3 4
1 7 7 3 6
2 1 0 4 3
3 1 0 1 2
w
it
Anne
Employeur 1 2 3 4
1 2 3 4 3
2 4 2 1 2
3 3 3 1 3
On a alors :
w
1
= 12 X
1w
= 5,4167
w
2
= 9 X
2w
= 1,5556
w
3
= 10
X
3w
= 1
et
w

= 31 X
ww
= 2,8710.
Par consquent,
s
2
=
1
12 3
(36,9167 + 16,2222 + 6)
= 6,5710
a =
31
961 325
(128,3460 (2)(6,5710))
= 5,6153
et

K = s
2
/ a = 1,1700. Ainsi,
z
1
=
12
13,1700
= 0,9112
z
2
=
9
10,1700
= 0,8850
z
3
=
10
11,1700
= 0,8953
et X
zw
= 2,6779. Enn,

X
1,5
= z
1
X
1w
+ (1 z
1
)X
zw
= 5,1735
et pour trois units de masse salariale, la prime totale paye par lem-
ployeur est 15,52.
Solutions 99
5.9 a) Il faut utiliser la formule de s
2
pour donnes manquantes. Tout dabord,
on a
w
1
= 3 X
1w
= 4
w
2
= 10 X
2w
= 8
w
3
= 12 X
3w
=
11
4
et
w

= 25 X
ww
= 5.
Par consquent,
s
2
=
1
12 3
_
(1)(1 + 1) + (2)(4 + 36 + 16) + (3)
_
9
16
+
121
16
+
1
16
+
169
16
__
= 18,9167,
a =
25
625 253
_
(3)(1) + (10)(9) + (12)
_
81
16
_
(2)(18,9167)
_
= 7,7901
et

K = s
2
/ a = 2,4283. Ainsi,
z
1
=
3
5,4283
= 0,5527
z
2
=
10
12,4283
= 0,8046
z
3
=
12
14,4283
= 0,8317
et X
zw
= 4,9954. Enn,

1,6
= z
1
X
1w
+ (1 z
1
)X
zw
= 4,4453

2,6
= z
2
X
2w
+ (1 z
2
)X
zw
= 7,4129

3,6
= z
3
X
3w
+ (1 z
3
)X
zw
= 3,1279.
b) La fonction cm permet de choisir entre lestimateur sans biais a et les-
timateur itratif a. Pour utiliser cm, il faut dabord placer les donnes
dans une matrice ou un data frame avec une colonne dtiquettes pour
les contrats :
100 Solutions
> db <- cbind(contrat = 1:3, matrix(c(3, 6, NA,
+ 5, 8, 2, NA, 8, 0, NA, 14, 3, 4, 4, 6), nrow = 3,
+ dimnames = list(NULL, paste("r", 1:5, sep = "."))),
+ matrix(c(1, 2, NA, 1:3, NA, 2, 3, NA, 2, 3,
+ 1:3), nrow = 3, dimnames = list(NULL,
+ paste("w", 1:5, sep = "."))))
> db
contrat r.1 r.2 r.3 r.4 r.5 w.1 w.2 w.3 w.4 w.5
[1,] 1 3 5 NA NA 4 1 1 NA NA 1
[2,] 2 6 8 8 14 4 2 2 2 2 2
[3,] 3 NA 2 0 3 6 NA 3 3 3 3
Pour vrier les rponses de la partie a), on fera
> library("actuar")
> res <- cm(~contrat, db, ratios = r.1:r.5, weights = w.1:w.5,
+ method = "Buhlmann-Gisler")
> summary(res)
Call:
cm(formula = ~contrat, data = db, ratios = r.1:r.5, weights = w.1:w.5,
method = "Buhlmann-Gisler")
Structure Parameters Estimators
Collective premium: 4.99537
Between contrat variance: 7.790099
Within contrat variance: 18.91667
Detailed premiums
Level: contrat
contrat Indiv. mean Weight Cred. factor Cred. premium
1 4.00 3 0.5526596 4.445269
2 8.00 10 0.8046155 7.412942
3 2.75 12 0.8316990 3.127898
Pour utiliser plutt lestimateur a du paramtre a, on fait :
> res <- cm(~contrat, db, ratios = r.1:r.5, weights = w.1:w.5,
+ method = "iterative")
> summary(res)
Call:
cm(formula = ~contrat, data = db, ratios = r.1:r.5, weights = w.1:w.5,
method = "iterative")
Structure Parameters Estimators
Collective premium: 5.008418
Between contrat variance: 5.565321
Solutions 101
Within contrat variance: 18.91667
Detailed premiums
Level: contrat
contrat Indiv. mean Weight Cred. factor Cred. premium
1 4.00 3 0.4688214 4.535650
2 8.00 10 0.7463229 7.241104
3 2.75 12 0.7792701 3.248500
videmment, les rponses sont alors diffrentes de celles obtenues en
a).
5.10 On a z
1
= 8/23, z
2
= 6/21, z
4
= 9/24 et
X
zw
=
4

i=1
z
i
z

X
iw
=
8
23
(0,89) +
6
21
(0,85) +
9
24
(0,7) + z
3
(0,65)
8
23
+
6
21
+
9
24
+ z
3
= 0,8.
On trouve donc z
3
= 0,0539.
Bibliographie
Bailey, A. L. 1945, A generalized theory of credibility, Proceedings of the
Casualty Actuarial Society, vol. 32, p. 1320.
Bailey, A. L. 1950, Credibility procedures, Laplaces generalization of Bayes
rule and the combination of collateral knowledge with observed data,
Proceedings of the Casualty Actuarial Society, vol. 37, p. 723.
Bhlmann, H. et E. Straub. 1970, Glaubgwrdigkeit fr Schadenstze, Bul-
letin of the Swiss Association of Actuaries, vol. 70, p. 111133.
De Vylder, F. 1976a, Geometrical credibility, Scandinavian Actuarial Journal,
vol. 1976, p. 121149.
De Vylder, F. 1976b, Optimal semilinear credibility, Bulletin of the Swiss
Association of Actuaries, vol. 76, p. 2740.
De Vylder, F. 1978, Parameter estimation in credibility theory, ASTIN Bul-
letin, vol. 10, p. 99112.
De Vylder, F. 1981, Practical credibility theory with emphasis on parameter
estimation, ASTIN Bulletin, vol. 12, p. 115131.
De Vylder, F. 1984, Practical models in credibility theory, including param-
eter estimation, dans Premium calculation in insurance, NATO ASI series ;
Series C, Mathematical and physical sciences, vol. 121, dit par F. De Vylder,
M. Goovaerts et J. Haezendonck, D. Reidel Pub. Co., Dordrecht, p. 133150.
De Vylder, F. 1985, Non-linear regression in credibility theory, Insurance :
Mathematics and Economics, vol. 4, p. 163172.
De Vylder, F. et M. J. Goovaerts. 1991, Estimation of the heterogeneity pa-
rameter in the BhlmannStraub credibility theory model, Insurance : Ma-
thematics and Economics, vol. 10, p. 233238.
De Vylder, F. et M. J. Goovaerts. 1992a, Optimal parameter estimation under
zero-excess assumptions in a classical model, Insurance : Mathematics and
Economics, vol. 11, p. 16.
103
104 Bibliographie
De Vylder, F. et M. J. Goovaerts. 1992b, Optimal parameter estimation un-
der zero-excess assumptions in the BhlmannStraub model, Insurance :
Mathematics and Economics, vol. 11, p. 167171.
Dubey, A. et A. Gisler. 1981, On parameter estimation in credibility, Bulletin
of the Swiss Association of Actuaries, vol. 81, p. 187211.
Dutang, C., V. Goulet et M. Pigeon. 2008, actuar: An R package for ac-
tuarial science, Journal of Statistical Software, vol. 25, n
o
7. URL http:
//www.jstatsoft.org/v25/i07.
Fisher, A. 1919, The theory of experience rating: Discussion, Proceedings of
the Casualty Actuarial Society, vol. 5, p. 139145.
Gerber, H. U. et D. A. Jones. 1975, Credibility formulas of the updating
type, Transaction of the Society of Actuaries, vol. 27, p. 3146.
Gisler, A. 1980, Optimal trimming of data in the credibility model, Bulletin
of the Swiss Association of Actuaries, vol. 80, p. 313325.
Gisler, A. et P. Reinhard. 1993, Robust credibility, ASTIN Bulletin, vol. 23,
p. 117143.
Goovaerts, M. J. et W. J. Hoogstad. 1987, Credibility Theory, n
o
4 dans Surveys
of actuarial studies, Nationale-Nederlanden N.V., Netherlands.
Goovaerts, M. J., R. Kaas, A. E. van Heerwaarden et T. Bauwelinckx. 1990,
Effective Actuarial Methods, North-Holland, Amsterdam, ISBN 0-4448839-9-
1.
Goulet, V. 1994, Thorie de la crdibilit : histoire, principes et applications, m-
moire de matrise, Universit Laval.
Hachemeister, C. A. 1975, Credibility for regression models with application
to trend, dans Credibility, theory and applications, Proceedings of the Berke-
ley actuarial research conference on credibility, Academic Press, New York,
p. 129163.
Jewell, W. S. 1974, Credible means are exact bayesian for exponential fami-
lies, ASTIN Bulletin, vol. 8, p. 7790.
Jewell, W. S. 1975, The use of collateral data in credibility theory: A hierar-
chical model, Giornale dellIstituto Italiano degli Attuari, vol. 38, p. 116.
Keffer, R. 1929, An experience rating formula, Transactions of the Actuarial
Society of America, vol. 30, p. 130139.
Klugman, S. A., H. H. Panjer et G. Willmot. 2004, Loss Models: From Data to
Decisions, 2
e
d., Wiley, New York, ISBN 0-4712157-7-5.
Bibliographie 105
Klugman, S. A., H. H. Panjer et G. Willmot. 2008, Loss Models: From Data to
Decisions, 3
e
d., Wiley, New York, ISBN 978-0-470-18781-4.
Knsch, H. R. 1992, Robust methods for credibility, ASTIN Bulletin, vol. 22,
p. 3349.
Mayerson, A. L. 1964, A bayesian view of credibility, Proceedings of the Ca-
sualty Actuarial Society, vol. 51, p. 85104.
Mowbray, A. H. 1914, How extensive a payroll exposure is necessary to give
a dependable pure premium?, Proceedings of the Casualty Actuarial Society,
vol. 1, p. 2530.
Neyman, J. 1962, Two breakthroughs in the theory of statistical decision
making, Revue de lInstitut International de Statistique, vol. 30, p. 1127.
Norberg, R. 1979, The credibility approach to ratemaking, Scandinavian Ac-
tuarial Journal, vol. 1979, p. 181221.
Norberg, R. 1980, Empirical Bayes credibility, Scandinavian Actuarial Jour-
nal, vol. 1980, p. 177194.
Robbins, H. 1955, An empirical Bayes approach to statistics, dans Procee-
dings of the Third Berkeley Symposium on Mathematical Statistics and Probabi-
lity, vol. 30, University of California Press, Berkeley and Los Angeles, p.
157163.
Robbins, H. 1964, An empirical Bayes approach to statistics, Annals of Ma-
thematical Statistics, vol. 30, p. 120.
Russell, B. 1948, Human Knowledge, Its Scope and Limits, G. Allen and Unwin,
London.
Savage, L. J. 1954, The Foundations of Statistics, Wiley, New York.
Taylor, G. C. 1977, Abstract credibility, Scandinavian Actuarial Journal, vol.
1977, p. 149168.
Whitney, A. W. 1918, The theory of experience rating, Proceedings of the
Casualty Actuarial Society, vol. 4, p. 275293.
Zehnwirth, B. 1991, Credibility (Rough study guide), Notes dune conf-
rence prononce lors du 1991 CAS Seminar on Ratemaking.
9 782980 913693