L’assurance inverse le cycle de production classique : l’assureur perçoit une prime avant de connaître le coût réel des sinistres.
Compléments
Des pratiques anciennes de partage des pertes liées aux vols et pillages de caravanes sont attestées en Mésopotamie, et des rentes viagères étaient utilisées en Égypte et dans la Rome antique.
Au XIVe siècle, le prêt à la grosse aventure maritime finançait les expéditions : en cas de naufrage, le marchand ne remboursait pas le banquier, tandis qu’une arrivée à bon port entraînait remboursement et forte compensation financière.
En 1652, Lorenzo Tonti crée une tontine, association temporaire dont les membres mettent des fonds en commun, répartis entre eux à la dissolution.
L’incertitude sur le coût des sinistres rend nécessaires des outils statistiques et probabilistes fondés sur des données historiques pour évaluer les primes et la variabilité des risques.
Les asymétries d’information entre assureur et assuré contribuent aux règles encadrant l’activité d’assurance et aux mécanismes de protection de l’assureur.
💡 Astuce mémo
Le producteur connaît son coût avant le prix ; l’assureur fixe sa prime avant de connaître ses sinistres.
📖 2. Formalisation du risque et solvabilité
🔑 Notions clés & Définitions
Prime pure : L’espérance du montant indemnisé pour un risque, soit E[Xk].
Prime chargée : La prime demandée pour un risque est (1+η)E[Xk], où η>0 est le chargement de sécurité.
Plein : La quantité maximale qu’il est possible d’assurer tout en conservant une probabilité fixée de ne pas dépasser une perte également fixée.
★ À maîtriser
📐 Formule - Pour un chargement η>0 et des risques indépendants et identiquement distribués, la probabilité que les sinistres cumulés dépassent les primes chargées tend vers zéro lorsque le nombre d’assurés tend vers l’infini.
Compléments
📐 Formule - Pour des risques cumulés indépendants et identiquement distribués, sans chargement, la probabilité que les sinistres dépassent leur espérance cumulée tend vers 1/2 lorsque leur nombre tend vers l’infini.
💡 Astuce mémo
Chargement positif → probabilité de ruine qui tend vers zéro quand le portefeuille grandit.
📖 3. Catégories et segmentation des assurances
★ À maîtriser
L’assurance de personnes comprend notamment :
les assurances vie et décès
l’assurance maladie
l’assurance accident corporel
l’assurance dépendance
l’assurance emprunteur
L’assurance de biens et responsabilités comprend notamment :
l’assurance automobile
l’assurance habitation
l’assurance des biens professionnels
l’assurance des catastrophes naturelles
l’assurance construction
la responsabilité civile générale
la protection juridique
l’assistance
la perte pécuniaire
Compléments
La segmentation regroupe les contrats en ensembles de risques homogènes afin de différencier les primes, de responsabiliser les assurés et de limiter l’antisélection.
💡 Astuce mémo
Personnes : indemnisation surtout forfaitaire ; biens et responsabilités : remboursement surtout indemnitaire.
📖 4. Contraintes de modélisation en assurance
★ À maîtriser
📌 La mutualisation exige de considérer un grand nombre de risques pour réduire le risque moyen, tandis que la segmentation regroupe les risques hétérogènes en ensembles homogènes auxquels appliquer des primes différenciées.
📌 L’assurance vie, portant sur des durées plus longues, est exposée au risque de taux, tandis que l’assurance non-vie, à échéance plus courte, est principalement exposée au risque de variance des sinistres.
Compléments
Une segmentation excessive peut rendre les primes de certains assurés trop élevées, notamment en assurance automobile ou pour les médecins professionnels.
Les délais entre sinistres et indemnisations, ainsi que la comptabilité annuelle des actifs et passifs, motivent l’emploi de modèles en temps discret.
Les modèles en temps discret et en temps continu peuvent produire des probabilités de ruine significativement différentes, ce qui rend le choix du modèle important.
Le chargement commercial couvre notamment :
la rémunération du capital
les taxes
le coût de la réassurance
les frais de gestion
💡 Astuce mémo
Vie : risque de taux ; non-vie : risque de variance.
📖 5. Modèles de risque en temps discret
🔑 Notions clés & Définitions
Modèle individuel de risque : Le modèle individuel de risque est une suite finie de variables aléatoires indépendantes et identiquement distribuées X1,…,Xn, et le cumul des sinistres est S=∑k=1nXk.
Modèle collectif de risque : Le modèle collectif de risque comprend des coûts de sinistre indépendants et identiquement distribués Yk et un nombre de sinistres N indépendant, à valeurs entières ; le cumul est S=∑k=1NYk.
★ À maîtriser
📐 Formule - Dans le modèle individuel, E[S]=nE[X1] si l’espérance existe, et Var(S)=nVar(X1) si le moment d’ordre deux existe.
📐 Formule - Dans le modèle collectif, E[S]=E[N]E[Y1] lorsque les espérances existent, et Var(S)=E[N]Var(Y1)+Var(N)E[Y1]2 lorsque les moments d’ordre deux existent.
Compléments
Dans le modèle individuel, Xk représente le cumul des indemnisations allouées aux sinistres de l’assuré k pendant la période d’observation.
📐 Formule - La fonction de répartition du cumul de n sinistres indépendants de même loi est la convolution n-ième de la fonction de répartition individuelle : FS=FX∗n.
📐 Formule - Pour un cumul de sinistres S, une réserve R>0, un chargement η>0 et un taux de rétention α∈]0,1], la probabilité de ruine est P(αS>α(1+η)E[S]+R)=1−FS((1+η)E[S]+αR).
📖 6. Risque collectif en temps continu
🔑 Notions clés & Définitions
Modèle collectif en temps continu : Le modèle collectif en temps continu associe des coûts de sinistres positifs indépendants et identiquement distribués Yi à un processus indépendant Nt, à trajectoires croissantes, continues à droite et limitées à gauche.
📝 Points essentiels
📐 Formule - Avec une réserve initiale R et un taux d’acquisition des primes π par unité de temps, le résultat de l’assureur au temps t est R(t)=R+πt−∑i=1NtYi.
📐 Formule - Sur un horizon [0,T], la probabilité de ruine en temps continu est P(mint∈[0,T]R(t)<0).
📖 7. Moments et fonctions génératrices
🔑 Notions clés & Définitions
Fonction génératrice des moments : La fonction génératrice des moments d’une variable aléatoire Y est LY(θ)=E[eθY].
Modèle collectif étendu : Pour un entier K>0, le modèle collectif étendu associe un nombre de sinistres N, des coûts indépendants et identiquement distribués Yn et des indices de risque indépendants et identiquement distribués kn∈{1,…,K}, ces trois objets étant mutuellement indépendants.
Moment d’ordre r : Le moment d’ordre r d’une variable aléatoire Y est Mr(Y)=E[Yr], et son moment centré d’ordre r est μr(Y)=E[(Y−E[Y])r].
Fonction génératrice sur N : Pour une variable aléatoire entière positive Z, la fonction génératrice est gZ(s)=∑n∈NsnP(Z=n) pour s∈[0,1].
📝 Points essentiels
📐 Formule - L’écart type de Y est σ(Y)=E[(Y−E[Y])2], son coefficient d’asymétrie de Fisher est γ1(Y)=μ3(Y)/σ3(Y) et son coefficient d’aplatissement de Fisher est γ2(Y)=μ4(Y)/σ4(Y)−3.
📌 Pour une variable aléatoire positive X ayant une espérance finie, l’inégalité de Markov donne P(X≥x)≤E[X]/x pour tout x>0.
📌 Si X admet un moment d’ordre deux et si x>E[X]>y, l’inégalité de Bienaymé-Tchebychev donne P(X∈]−∞,y]∪[x,+∞[)≤min(x−E[X],E[X]−y)2Var(X).
📐 Formule - Pour une somme de K variables indépendantes et identiquement distribuées du modèle individuel, Var(S)=KVar(X1) et μ3(S)=Kμ3(X1) lorsque les moments correspondants existent.
📐 Formule - Dans le modèle collectif, Var(S)=E[N]Var(Y1)+Var(N)E[Y1]2 et μ3(S)=μ3(N)E[Y1]3+3Var(N)E[Y1]Var(Y1)+E[N]μ3(Y1), si les moments correspondants existent.
Pour une variable aléatoire positive, LY est finie, croissante et de classe C∞ sur ]-\infty,0[$ ; ses dérivées à gauche en zéro donnent les moments : L_Y^{(k)}(0^-)=E[Y^k]$$.
📐 Formule - Pour deux variables aléatoires positives indépendantes, la fonction génératrice de leur somme vérifie LY1+Y2(θ)=LY1(θ)LY2(θ).
📐 Formule - Pour le modèle individuel, la fonction génératrice du cumul vérifie LS(θ)=(LX(θ))K.
📐 Formule - Pour le modèle collectif, la fonction génératrice du cumul vérifie LS(θ)=gN(LX1(θ)).
📖 8. Modèle collectif étendu, lois normale et gamma
🔑 Notions clés & Définitions
Loi normale : La loi normale de moyenne m et de variance σ2>0, notée N(m,σ2), a pour densité f(x)=2πσ21e−2σ2(x−m)2 sur R.
Loi gamma : La loi gamma γ(a,b), pour a,b>0, a pour densité f(x)=Γ(a)baxa−1e−bx1x>0.
★ À maîtriser
Dans le modèle collectif étendu, le nombre de sinistres du risque k est Nk=∑n=1N1{kn=k} et son coût cumulé est Xk=∑n=1NYn1{kn=k}.
Le modèle collectif étendu vérifie N=N1+⋯+NK et S=X1+⋯+XK.
📌 Sous les conditions K≥2, P(N=0)<1 et P(k1=k)>0 pour tout k, les coûts X1,…,XK sont indépendants si et seulement si N suit une loi de Poisson.
📌 Sous les conditions du théorème, les coûts X1,…,XK sont identiquement distribués si et seulement si les risques k_n sont équiprobables, avec P(kn=k)=1/K pour tout k.
Compléments
Si X suit N(m,σ2), alors E[X]=m, Var(X)=σ2 et sa fonction génératrice des moments vaut LX(θ)=exp(mθ+21σ2θ2) pour θ≥0.
Si X suit γ(a,b), alors E[X]=a/b, Var(X)=a/b2 et LX(θ)=(b/(b−θ))a pour 0≤θ<b.
📐 Formule - Pour une loi gamma paramétrée par la forme a et le taux b, b=E[X]/Var(X) et a=E[X]2/Var(X).
📖 9. Transformation exponentielle des lois
🔑 Notions clés & Définitions
Loi lognormale : La loi lognormale logN(m,σ2) est la loi de Y=eX lorsque X∼N(m,σ2).
Loi loggamma : La loi loggamma logγ(a,b) est la loi de Y=eX lorsque X∼γ(a,b).
Loi de Pareto : La loi de Pareto P(a,α), avec a,α>0, est la loi de Y=aeX lorsque X suit une loi exponentielle de paramètre α.
★ À maîtriser
Le coefficient d’aplanissement de Fisher est γ2(X)=μ4(X)/σ4(X)−3; la kurtosis est κ(X)=γ2(X)+3.
📐 Formule - Si Y=e^X et X admet une densité, alors fY(y)=fX(lny)/y pour y>0 et fY(y)=0 pour y<0.
Compléments
Une loi normale a γ2=0 et κ=3; si γ2>0, la distribution est leptokurtique et présente souvent des queues épaisses.
Pour Y=eX, Y admet un moment d’ordre k si et seulement si X admet un moment exponentiel à l’ordre k.
La transformation exponentielle ne modifie pas la procédure du maximum de vraisemblance : l’estimateur pour les observations transformées yi=exi s’obtient en appliquant l’estimateur initial aux ln(yi).
Une variable de loi de Pareto P(a,α) admet un moment d’ordre k si et seulement si α>k.
💡 Astuce mémo
Exponentier X transforme sa loi en celle de Y = e^X.
📖 10. Choix d’un modèle de coût
★ À maîtriser
Le choix d’une loi paramétrique de coût peut s’appuyer sur un Q-Q-plot, la distance du chi carré et la distance de Kolmogorov-Smirnov.
📐 Formule - Pour k classes, la statistique du chi carré vaut d=∑i=1knpi(ni−npi)2, où n_i et np_i sont les effectifs observé et théorique de la classe i.
📐 Formule - La statistique de Kolmogorov-Smirnov est d=supx∈R∣Fn(x)−F(x)∣, où F_n est la fonction de répartition empirique et F la fonction théorique.
Compléments
Dans un Q-Q-plot, les quantiles empiriques et théoriques sont comparés; leur alignement sur la première bissectrice indique une bonne adéquation.
📌 Sous l’hypothèse d’adéquation, la statistique du chi carré converge en loi vers une loi du chi carré; l’hypothèse est rejetée lorsque d dépasse un seuil choisi.
📖 11. Mutualisation des risques
★ À maîtriser
📌 Pour deux cumuls normaux, la mutualisation permet de choisir un seuil correspondant à une probabilité de ruine ε inférieur ou égal à la somme des seuils individuels.
📌 Pour deux cumuls normaux, conserver le seuil égal à la somme des seuils individuels donne une probabilité de ruine inférieure ou égale à ε.
Compléments
Pour des cumuls indépendants de lois normales Si∼N(μi,νi2), un seuil de ruine de probabilité ε est si=μi+νiΦ−1(1−ε).
📐 Formule - Pour deux cumuls normaux, E[S1+S2]=μ1+μ2 et Var(S1+S2)=ν12+2Cov(S1,S2)+ν22.
📌 Pour I cumuls normaux S_i de variance positive et des seuils si>E[Si], P(S1+⋯+SI>s1+⋯+sI)≤maxi{1−Φ((si−E[Si])/Var(Si))}.
💡 Astuce mémo
Une mutualisation réduit le seuil de ruine ou, à seuil inchangé, la probabilité de ruine.
📖 12. Modèle du capital décès
★ À maîtriser
Dans le modèle de capital décès, Xk=cBk, où c est positif et les variables B_k sont IID de loi de Bernoulli de paramètre q, avec P(Bk=1)=q.
Le cumul vérifie S/c∼B(K,q).
Compléments
Dans le modèle décrit, q varie entre 10−4 et 10−3 pour des individus âgés de 5 à 60 ans.
Pour q=10−3 et c=1, l’intervalle de confiance associé à une probabilité 1−10−4 vaut [0, 6] pour K=1000 et [0, 24] pour K=10000.
📐 Formule - La probabilité de ruine est calculée par Pruine=P(S>(1+η)E[S]+R/α).
📖 13. Lois classiques du nombre de sinistres
🔑 Notions clés & Définitions
Loi binomiale : La loi binomiale B(ℓ,p) a pour masse P(N=k)=(kℓ)pk(1−p)ℓ−k pour 0≤k≤ℓ.
Loi de Poisson : La loi de Poisson de paramètre λ>0 a pour masse P(N=k)=e−λλk/k! pour k∈N.
Loi binomiale négative : La loi binomiale négative NB(r,p) a pour masse P(N=k)=k!Γ(r)Γ(r+k)pk(1−p)r pour k∈N.
📝 Points essentiels
Pour une loi binomiale, E[N]=ℓp et Var(N)=ℓp(1−p).
Pour une loi de Poisson, E[N]=Var(N)=λ.
Pour une loi binomiale négative, E[N]=rp/(1−p) et Var(N)=rp/(1−p)2.
Les fonctions génératrices sont respectivement gN(s)=(1−p+ps)ℓ pour la binomiale, gN(s)=e−λ(1−s) pour la Poisson et gN(s)=((1−p)/(1−ps))r pour la binomiale négative.
📐 Formule - Pour un échantillon de moyenne empirique \hat m et de variance empirique \hat\sigma^2, l’estimateur des moments de la loi de Poisson est λ^M=m^.
Loi multinomiale : La loi multinomiale de paramètres n,p1,…,pk est la loi des effectifs Nj=∑i=1n1{Xi=j} pour des observations IID de probabilités P(Xi=j)=pj.
★ À maîtriser
Sous les probabilités de référence, la statistique T=∑i=1knpi(npi−Ni)2 converge en loi vers une loi du chi carré à k−1 degrés de liberté.
Compléments
📐 Formule - La masse multinomiale vaut P(N1=n1,…,Nk=nk)=n1!⋯nk!n!∏j=1kpjnj lorsque ∑jnj=n.
📌 Le test d’adéquation du chi carré rejette l’hypothèse lorsque T dépasse un seuil, généralement le quantile d’ordre 1−α avec α=5%.
📌 Le test du chi carré peut s’appliquer à des lois à support infini en regroupant les valeurs supérieures à un seuil dans une classe unique.
📖 15. Mélanges de lois de Poisson
🔑 Notions clés & Définitions
Mélange de Poisson : Pour une mesure de probabilité Q sur ]0,+∞[, le mélange de lois de Poisson MP(Q) vérifie P(N=n)=∫e−λλn/n!dQ(λ) pour tout n∈N.
★ À maîtriser
Si le paramètre suit une loi gamma γ(a,b), le mélange de Poisson suit une loi binomiale négative NB(a,1/(b+1)).
Le nombre de sinistres d’un risque choisi uniformément parmi des risques de paramètres λ1,…,λK suit un mélange de Poisson associé à la mesure K−1∑k=1Kδλk.
Compléments
Si Q charge les valeurs λ1,…,λm avec probabilités q1,…,qm, alors P(N=n)=n!1∑j=1mqje−λjλjn.
Si Λ∼Q et que N conditionnellement à Λ=λ suit une loi de Poisson de paramètre lambda, alors N suit le mélange MP(Q).
📐 Formule - Pour N∼MP(Q), le moment factoriel d’ordre r vaut E[N(N−1)⋯(N−r+1)]=∫λrdQ(λ).
📐 Formule - La fonction génératrice du mélange est gN(s)=LQ(−(1−s)), où LQ(θ)=∫eλθdQ(λ).
📐 Formule - Pour des nombres de sinistres indépendants Nk∼P(λk), leur somme suit N∼P(∑kλk).
📖 16. Lois de Poisson composées
🔑 Notions clés & Définitions
Loi de Poisson composée : Loi composée L_C(P(λ), P_X), où le nombre de sinistres suit une loi de Poisson de paramètre λ.
★ À maîtriser
📐 Formule - Pour une variable de montant X à valeurs dans ℕ, la densité de la somme composée est fPC(λ,PX)(k)=∑n∈Ne−λn!λnfX⊗n(k) pour k∈ℕ.
📐 Formule - La fonction génératrice de la loi de Poisson composée vérifie LPC(λ,PX)(θ)=exp(−λ(1−LX(θ))) pour θ∈]−∞,0].
Compléments
Si les moments indiqués existent, la somme composée de Poisson S, de paramètre λ, vérifie E[S]=λE[X], σ²(S)=λE[X²] et \mu{}₃[S]=λE[X³].
La somme de deux risques indépendants S₁∼PC(λ₁,F₁) et S₂∼PC(λ₂,F₂) suit PC(λ₁+λ₂,(λ₁F₁+λ₂F₂)/(λ₁+λ₂)).
Si N∼P(λ) et si, conditionnellement à N, les nombres N₁,…,Nₘ suivent une loi multinomiale de paramètres N et q₁,…,qₘ, alors les Nᵢ sont indépendants et Nᵢ∼P(λqᵢ).
Avec une franchise de niveau κ, l’indemnité vaut Y=X1_{X≥κ}; si N∼P(λ) et que le nombre et les coûts des sinistres sont indépendants, le nombre de sinistres indemnisés suit P(λq), où q=P(X≥κ).
📖 17. Approximation des probabilités de ruine
🔑 Notions clés & Définitions
Approximation normale : Loi normale dont la moyenne et la variance égalent celles de F.
Approximation gamma : Loi gamma dont la moyenne et la variance égalent celles de F; ses paramètres sont a=m²/σ² et b=m/σ².
★ À maîtriser
📐 Formule - Pour un risque cumulé S, un chargement de sécurité η>0, une réserve R>0 et un taux de rétention α∈]0{,}1], l’approximation normale de la probabilité de ruine est Pruine≈1−Φ(σ2(S)E[S](η+αE[S]R)).
Pour S somme de K variables IID ayant un moment exponentiel fini, la majoration de Markov exponentielle donne P(S>Ka)≤e^{-Kh(a)} pour a>E[S₁], où h(a)=sup_{θ∈ℝ}(aθ−ln L_{S₁}(θ)).
📐 Formule - Pour S somme de N∼P(λ) montants de sinistres entiers positifs, l’algorithme de Panjer donne f_S(0)=e^{-λ(1-f_Y(0))} et fS(n)=nλ∑k=1nkfY(k)fS(n−k) pour n∈ℕ*.
Compléments
L’inégalité de Berry-Esseen borne l’écart uniforme entre la fonction de répartition normalisée d’une somme de K risques individuels IID et la loi normale par C E[|X₁−E[X₁]|³]/(σ³(X₁)√K), lorsque le moment absolu d’ordre 3 est fini et la variance strictement positive.
Dans l’inégalité de Berry-Esseen, le majorant devient peu informatif lorsque le coefficient d’asymétrie γ₁(S)=γ₁(X₁)/√K est du même ordre que 1.
Le développement d’Edgeworth donne une approximation de la fonction de répartition normalisée par la loi normale corrigée d’un terme dépendant de l’asymétrie; l’erreur uniforme multipliée par √K tend vers zéro sous la condition de non-concentration sur un réseau, avec un supremum restreint au réseau décalé dans le cas arithmétique.
📐 Formule - L’approximation normale améliorée de la fonction de répartition est FS(x)≈Φ(−γ1(S)3+γ1(S)29+6γ1(S)σ(S)x−E[S]).
Pour appliquer l’algorithme de Panjer à des montants ayant une densité de Lebesgue, on discrétise les montants avec un pas δ>0 puis on applique la récurrence sur le réseau δℤ.
📖 18. Crédibilité de Bühlmann
🔑 Notions clés & Définitions
Modèle de Bühlmann : Hans Buhlmann, années 60 - Modèle où chaque contrat possède un paramètre de risque aléatoire Λ, où les contrats sont indépendants et identiquement distribués, et où les sinistres sont IID conditionnellement à Λ.
★ À maîtriser
📐 Formule - Dans le modèle de Bühlmann, la prime du contrat k est pk=αE[Sk(1)]+(1−α)t1∑s=1tSk(s), avec α=tM2+Σ2Σ2 selon la formule du théorème. - Hans Buhlmann, années 60
Compléments
Les paramètres de structure de Bühlmann sont Σ²=E[σ²(Λ)] et M²=σ²(\mu{}(Λ)).
📐 Formule - L’estimateur de Σ² est la moyenne des variances empiriques des contrats, Σ^2=K1∑k=1Kσ^k2, où chaque variance empirique utilise le dénominateur t−1.
📐 Formule - L’estimateur de M² est la variance inter-contrats des moyennes empiriques corrigée du biais par soustraction de Σ^2/t.
📖 19. Durée de vie et mortalité
🔑 Notions clés & Définitions
Durée de vie résiduelle : Temps restant à vivre à un individu déjà âgé de x ans, définie conditionnellement à sa survie jusqu’à l’âge x.
Taux de survie : Le taux de survie à l’âge x pour une période t est la probabilité t pₓ=P(Tₓ>t|Tₓ>0).
Table de mortalité : Ensemble des effectifs survivants ℓₓ à chaque âge x; ℓₓ est entier, décroît avec l’âge, ℓω=0 et la table est généralement établie sur 100 000 individus à la naissance.
Taux de décès : Probabilité t qₓ=P(Tₓ≤t|Tₓ>0), avec t pₓ+t qₓ=1.
Taux instantané de mortalité : μx=limh↓0hP(x<T0)P(x<T0≤x+h).
📝 Points essentiels
📐 Formule - Sous les hypothèses de densité de durée de vie, la densité conditionnelle de Tₓ est fx(t)=1−F(x)f(x+t)1]0,ω−x[(t) et sa fonction de répartition est Fx(t)=1−F(x)F(x+t)−F(x) pour t≥0.
📐 Formule - Les taux de survie vérifient s+tpx=tpxspx+t lorsque x+s+t≤ω.
📐 Formule - La densité conditionnelle vérifie fₓ(t)=t pₓ \mu{}_{x+t}, et la probabilité de survie vérifie tpx=exp(−∫xx+tμydy).
📐 Formule - L’espérance de vie résiduelle complète est e˙x=1−F(x)∫0ω−xtf(x+t)dt.
📐 Formule - Pour x entier, l’espérance de vie effective est ex=∑k=1ω−x−1kpx et la variance de Kₓ conditionnellement à la survie jusqu’à x vaut 2∑k=1ω−x−1kkpx−ex2−ex.
📖 20. Assurance vie et provisions
🔑 Notions clés & Définitions
Provision mathématique : Excédent des primes reçues sur la première période par rapport à l’engagement de l’assureur sur cette période, égal aussi à l’engagement restant moins les primes futures.
Valeur actuelle aléatoire : Montant actualisé aléatoire des indemnités reçues par une tête d’âge.
Valeur actuelle probable : Espérance du montant actualisé des indemnités reçues par une tête d’âge.
★ À maîtriser
📌 Une annuité payable d’avance est versée au début de chaque période de survie, tandis qu’une annuité à terme échu est versée après que l’assuré a vécu toute la période.
📐 Formule - La valeur actuelle probable d’un capital unitaire payé au décès au milieu de l’année de décès est Ax=∑j=0ω−x−1(1+i)−j−1/2jpxqx+j.
Compléments
📐 Formule - Pour des annuités viagères unitaires payables d’avance sur la vie entière, la valeur actuelle probable est a¨x=∑k=0ω−x−1(1+i)−kkpx.
📐 Formule - Pour un contrat d’annuités d’avance différé de m années et temporaire de n années, la valeur actuelle probable est m∣na¨x=∑k=mm+n−1(1+i)−kkpx.
📐 Formule - La valeur actuelle probable des annuités à terme échu sur la vie entière vérifie ax=a¨x−1.
📐 Formule - Pour un contrat décès temporaire et différé, la valeur actuelle probable est m∣nAx=∑j=mm+n−1(1+i)−j−1/2jpxqx+j.
📐 Formule - Pour une assurance temporaire de n années, la prime pure annuelle P et la prime pure unique Π vérifient Pna¨x=Π.
💡 Astuce mémo
À terme échu, le paiement attend la fin de la période; en cas de décès, il intervient au milieu de l’année du décès.
📊 Tableaux de synthèse
Approximations de la ruine
Méthode
Paramétrage
Usage ou limite
Normale
Même moyenne et variance que F
Dépend des deux premiers moments
Gamma
a=m²/σ², b=m/σ²
Nécessite m>0 et σ²>0
Markov exponentielle
Borne e^{-Kh(a)}
Utile si h(a)>0
Teste tes connaissances
Teste tes connaissances sur Modèles de risque et lois composées avec 11 questions à choix multiples et corrections détaillées.
1. Un assureur fixe aujourd’hui la prime d’un contrat, alors que le montant des sinistres qui seront déclarés pendant la période assurée n’est pas encore connu. Quelle caractéristique du cycle de production cette situation illustre-t-elle ?
2. Au XIVe siècle, un marchand finance une expédition maritime par un prêt à la grosse aventure. Le navire arrive à bon port : quelle conséquence financière s’applique ?