Approximation exponentielle des gains d’une compagnie d’assurance

Approximation exponentielle des gains d’une compagnie d’assurance

Projet M1 MAPI3 : Mod´ elisation Al´ eatoire Mars 2019

R´ esum´ e Une compagnie d’assurance d´ esire ´ evaluer ses profits avant qu’un ´ ev´ enement catastro- phique C ne se produise. Sous l’hypoth` ese que les profits sur des p´ eriodes de temps successifs sont de variables al´ eatoires ind´ ependantes, on se propose de donner une approximation de la loi du pro- fit avant l’occurrence de l’´ ev´ enement catastrophique. On suppose que la probabilit´ e θ pour que C se produise dans une unit´ e de temps est petite. On mod´ elise tout d’abord le profit P par une somme constitu´ ee d’un nombre al´ eatoire de variables al´ eatoires. On montre ensuite un th´ eor` eme limite sur θP dans l’asymptotique o` u le param` etre θ tend vers 0. La loi limite est la loi exponentielle. On s’int´ eresse ensuite ` a l’utilisation pratique de ce th´ eor` eme limite dans un cadre non asymptotique o` u θ prend des valeurs proches de 0.

Mots clefs : Loi exponentielle. Loi des grands nombres.

Th` eme applicatif : Finance et assurances.

1 Mod` ele probabiliste du profit

Pour construire un mod` ele probabiliste du profit on fait les hypoth` eses suivantes :

— L’´ echelle de temps est disr` ete. On consid` ere donc des p´ eriodes de temps successives (par exemple des mois, des ann´ ees ...) not´ ees 1, . . . , n, . . ..

— Pour n ∈ N

, on note X

le profit de la compagnie d’assurance lors de la n ` eme p´ eriode de temps. On suppose que (X

) forme une suite de variables ind´ ependantes de mˆ eme esp´ erance µ > 0. On suppose de plus que toutes ces variables poss` edent une variance born´ ee par une constante C. En d’autres termes, la loi du profit n’est pas fix´ ee, elle peut varier au cours du temps mais sa moyenne reste constante et la moyenne de son ´ ecart ` a la moyenne au carr´ e est uniform´ ement born´ ee dans le temps. En outre, on suppose que la suite (X

) est ind´ ependante du nombre de p´ eriodes de temps avant l’occurrence de C (la catastrophe).

— La probabilit´ e d’occurrence de C sur une p´ eriode de temps donn´ ee vaut θ. Pour n ∈ N , notons A

l’´ ev´ enement : C se produit ` a la n ` eme p´eriode de temps. On suppose que (A

) est une suite d’´ ev´ enements ind´ ependants.

On mod´ elise alors les diff´ erentes grandeurs du mod` ele par les variables al´ eatoires suivantes :

— N est le nombre de p´ eriodes de temps avant l’occurrence de C.

1

— On appelle P le profit r´ ealis´ ee par la compagnie d’assurance jusqu’` a la p´ eriode pr´ ec´ edant l’occurrence de C .

On a alors, d’apr` es les hypoth` eses faites sur le mod` ele, les r´ esultats suivants.

1.1 Premiers r´ esultats de mod´ elisation

a) La distribution de N est la loi g´ eom´ etrique de param` etre 1 − θ :

P (N = k) = (1 − θ)

θ, (k ∈ N ). (1) b) Avec la convention que P

j=1

X

= 0, le profit P est donn´ e par : P =

N

X

j=1

X

, de plus E (P ) = µ(1 − θ)

θ .

1.2 Un exemple tr` es particulier

On rappelle que l’on dit qu’une variable al´ eatoire suit la loi exponentielle d’esp´ erance a > 0 si sa loi poss´ ede la densit´ e (par rapport ` a la mesure de Lebesgue) :

f

(x) = 1

a e

1

(x).

On suppose ici que la loi des X

est la loi exponentielle d’esp´ erance µ. On peut alors compl` etement caract´ eriser la loi de P :

— La loi de θ(1 − θ)

P est la loi exponentielle de moyenne µ.

2 Un th´ eor` eme limite pour le profit

Lorsque θ est petit (θ tend vers 0), on se propose de montrer que la loi de la variable al´ eatoire θ(1 − θ)

P peut ˆ etre approch´ ee par la loi exponentielle de moyenne µ. Il est d’abord utile de pr´ eciser la notion de convergence que nous allons utiliser. C’est l’objet du prochain paragraphe.

2.1 Quelques ´ el´ ements sur la convergence en loi

Dans toute la suite, W d´ esigne une variable al´ eatoire dont la loi poss` ede une densit´ e par rapport ` a la mesure de Lebesgue. Rappelons que l’on dit qu’une famille de variables al´ eatoires (W

)

converge en loi vers W , quand θ tend vers 0

, si la fonction de r´ epartition F

de W

converge ponctuellement vers celle de W . En d’autres termes si l’on a, pour tout t ∈ R ,

lim

θ→0⁺

F

(t) = lim

θ→0⁺

P (W

≤ t) = P (W ≤ t) = F

(t).

On rappelle ´ egalement que la convergence en loi est ´ equivalente ` a la convergence ponctuelle des fonctions caract´ eristiques. C’est-` a-dire que (W

)

converge en loi, quand θ tend vers 0, vers W si, et seulement si, pour tout t ∈ R , on a

lim

θ→0⁺

E [exp(itW

)] = E [exp(itW )].

2

On admettra le Lemme suivant :

Lemme 1 Soit (W

)

et (Z

)

deux familles de variables al´ eatoires. Soit ψ une fonction sur R

, continue ` a droite en 0, avec ψ(0) = 1. On suppose que :

a) (W

)

converge en loi, quand θ tend vers 0, vers W .

b) (V

)

converge en probabilit´ e, quand θ tend vers 0. C’est-` a-dire, pour tout ε > 0, on a lim

θ→0⁺

P (|V

| > ε) = 0.

Alors,

— (W

+ V

)

et (ψ(θ)W

) convergent en loi, quand θ tend vers 0, vers W .

2.2 R´ esultat principal pour l’approximation

Le r´ esultat principal qui permet d’approximer la loi de P est le Th´ eor` eme de convergence suivant :

Th´ eor` eme 1 θ(1 − θ)

P converge en loi vers une variable de loi exponentielle de moyenne µ.

La preuve du Th´ eor` eme est bas´ ee sur la d´ ecomposition suivante : P = µN +

N

X

j=1

(X

− µ).

Le Lemme suivant donne la convergence en loi de θ(1 − θ)

µN .

Lemme 2 θ(1 − θ)

µN converge en loi, quand θ tend vers 0

, vers une variable de loi expo- nentielle de moyenne µ.

D’autre part la variance de θ(1 − θ)

P

j=1

(X

− µ) tend vers 0 avec θ. L’in´ egalit´ e de Markov- Tchebycheff puis le Lemme 1 permettent alors de conclure.

2.3 Formule d’approximation

Soit t > 0, le Th´ eor` eme 1 conduit ` a la formule d’approximation suivante (pour θ > 0 petit) : P (θP ≤ t) = 1 − exp

− t µ

+ o(1).

3 Simulations num´ eriques

3.1 Un algorithme simple de simulation de la loi g´ eom´ etrique

Les deux remarques suivantes conduisent ` a la construction d’un g´ en´ erateur de variables al´ eatoire de loi g´ eom´ etrique.

3

1) Il est facile de r´ ealiser une variable de loi exponentielle ` a partir d’une variable de loi uniforme. En effet, si U poss` ede une distribution uniforme sur [0, 1] et µ > 0, alors

−µ log(U) suit la loi exponentielle de moyenne µ.

2) Pour x ≥ 0, on note bxc sa partie enti` ere. Soit E une variable al´ eatoire de loi exponen- tielle de moyenne µ > 0. Alors bEc suit la loi g´ eom´ etrique de param` etre exp(−1/µ).

En conclusion, pour 0 < θ < 1, la variable al´ eatoire G

=

log U log(1 − θ)

, (2)

suit la loi g´ eom´ etrique de param` etre 1 − θ.

Suggestions de d´ eveloppement

Traiter les points qui suivent.Vous pouvez aussi vous poser d’autres questions que celles indiqu´ ees plus bas. Il est imp´ eratif que vos investigations comportent une grande partie trait´ ee sur ordinateur avec des illustrations pertinentes de vos r´ esultats.

• Justifier comment la traduction des hypoth` eses conduit aux r´ esultats du paragraphe 1.1.

• D´ evelopper l’exemple du paragraphe 1.2 (montrer par le calcul que l’on trouve bien la loi exponentielle).

• Montrer le Lemme 2 (par exemple en utilisant la fonction caract´ eristique).

• Se placer dans le cas particulier o` u les variables (X

) sont ind´ ependantes et identique- ment distribu´ ees et montrer le Th´ eor` eme 1.

• Que se passe t-il si les variables que l’on somme sont centr´ ees ?

• Montrer le Th´ eor` eme 1 pour une chaˆıne de Markov irr´ eductible ` a espace d’´ etats fini.

• Justifier la formule d’approximation du paragraphe 2.3.

• Pour θ > 0, montrer que la variable G

d´ efinie dans (2) suit la loi g´ eom´ etrique de param` etre 1 − θ.

• Commenter les figures obtenues apr` es ex´ ecution du programme.

• Etudier num´ eriquement plusieurs valeurs de θ.

4