.

Solutions dexercices du Chapitre 2 de

Denuit, M. & Charpentier, A. (2004)

.
Cindy Courtois & Michel Denuit
24 janvier 2005
Denuit, M. & Charpentier, A. (2004). Mathematiques de lAssurance Non-Vie, Tome I :
Principes Fondamentaux de Theorie du Risque.
Exercice 2.1 (Lois de Pareto et log-exponentielle). Si X Par(, ), montrez que
ln
_
1 +
X

_
Exp().
Solution. Posons Y = ln
_
1 +
X

_
. 0n voit que, quel que soit y > 0,
P[Y > y] = P[X > (e
y
1)] =
_

(e
y
1) +
_

= e
y
.
Exercice 2.2 (Loi logistique bivariee). La loi logistique univariee admet pour fonction
de repartition
F
X
(x) =
1
1 + e
x
pour x R, et verie f
X
(x) = F
X
(x) (1 F
X
(x)). Une version bivariee de cette loi introduite
par Gumbel admet pour fonction de repartition jointe
F
X
(x
1
, x
2
) =
1
1 + e
x
1
+ e
x
2
pour x R
2
.
Montrez que
(i) la probabilite que X
1
et X
2
soient de signe oppose vaut 1/3.
(ii) la densite conditionelle de X
1
sachant X
2
= x
2
vaut
f
1|2
(x
1
|x
2
) =
2e
x
1
(1 + e
x
2
)
2
(1 + e
x
1
+ e
x
2
)
3
.
Solution. (i) La probabilite que X
1
et X
2
soient de signes opposes est egale ` a
P[X
1
> 0, X
2
0] +P[X
1
0, X
2
> 0] = F
X
1
(0) + F
X
2
(0) 2F
(X
1
,X
2
)
(0, 0)
=
1
2
+
1
2

2
3
=
1
3
.
(ii) Nous savons que f
1|2
(x
1
|x
2
) =
f
X
(x
1
,x
2
)
f
2
(x
2
)
. Il nous reste donc ` a calculer separement les
deux termes du quotient precedent. Premi`erement, nous avons
f
X
(x
1
, x
2
) =

2
x
1
x
2
F
X
(x
1
, x
2
) =

x
1
e
x
2
(1 + e
x
1
+ e
x
2
)
2
=
2e
x
1
e
x
2
(1 + e
x
1
+ e
x
2
)
3
.
Ensuite, il vient
f
2
(x
2
) =

x
2
F
2
(x
2
) =

x
2
lim
x
1
+
F
X
(x
1
, x
2
) =
e
x
2
(1 + e
x
2
)
2
.
Ce qui permet nalement de calculer f
1|2
(x
1
|x
2
) :
f
1|2
(x
1
|x
2
) =
f
X
(x
1
, x
2
)
f
2
(x
2
)
=
2e
x
1
(1 + e
x
2
)
2
(1 + e
x
1
+ e
x
2
)
3
.
1
Exercice 2.3 (Convolution de lois uniformes). Soient X
1
, X
2
, . . . une suite de va-
riables aleatoires independantes de loi Uni(0, 1).
1. Quelle est la fonction de repartition de X
1
+ X
2
?
2. Montrez que
P[X
1
+ . . . + X
n
x] =
1
n!
n1

k=0
(1)
k
_
n
k
_
(x k)
n
+
, 0 x n,
o` u (x k)
+
= 0 si x < k et x k sinon.
3. Deduisez du point 2) que la densite de probabilite de X
1
+ . . . + X
n
est donnee pour
x [0, n] par
1
(n 1)!
j

k=0
(1)
k
_
n
k
_
(x k)
n1
+
pour j x j + 1 et j = 0, 1, . . . , n 1.
4. Deduisez du point 3) que la densite de X
(n)
=
1
n

n
i=1
X
i
est donnee pour 0 x 1
par
n
n
(n 1)!
[xn]

k=0
(1)
k
_
n
k
__
x
k
n
_
n1
+
.
Solution. (1) Comme X
1
et X
2
sont independantes, nous savons que
F
X
1
+X
2
(x) = P[X
1
+ X
2
x] = F
X
1
F
X
2
(x) =
_
yR
F
X
1
(x y)dF
X
2
(y),
pour tout x R. De plus, nous rappelons que la fonction de repartition et la densite de
probabilite dune variable aleatoire X uniforme sur [0, 1] sont respectivement
F
X
(x) =
_
_
_
0 si x < 0
x si 0 x < 1
1 si x 1.
et
f
X
(x) =
_
1 si 0 x 1
0 sinon .
Ainsi, il est evident que
F
X
1
+X
2
(x) =
_
yR
F
X
1
(x y)f
X
2
(y)dy =
_
1
y=0
F
X
1
(x y)dy =
_
x
z=x1
F
X
1
(z)dz
=
_

_
0 si x 0
x
2
2
si 0 x 1
x
2
2
(x 1)
2
si 1 x 2
1 si x 2
2
(2) Le resultat se montre par recurrence. Premi`erement, pour n = 1 et 2 la relation est
evidente. Ensuite, supposont que la relation est exacte pour n et essayons de la prouver pour
n + 1. Comme, pour 0 x n + 1,
P[X
1
+ + X
n+1
x] = F
(n)
X
F
X
(x)
=
_
x
0
_
1
n!
n1

k=0
(1)
k
_
n
k
_
(x y k)
n
+
_
f
X
(y)
. .
=
[0,1]
(y)
dy,
il est necessaire de separe la preuve en deux cas, ` a savoir 0 x 1 et 1 x n + 1.
Cas 1 : 0 x 1. Dans ce cas, il vient
P[X
1
+ + X
n+1
x] =
1
n!
n1

k=0
(1)
k
_
n
k
__
x
0
(x y k)
n
+
dy
=
1
n!
n1

k=0
(1)
k
_
n
k
__
x
0
(z k)
n
+
dz
=
1
(n + 1)!
x
n+1
car le seul terme non nul est celui en k = 0. Ainsi, nous obtenons bien la relation voulue dans
le cas 0 x 1.
Cas 2 : 1 x n + 1. Dans ce cas, il vient
P[X
1
+ + X
n+1
x] =
1
n!
n1

k=0
(1)
k
_
n
k
__
1
0
(x y k)
n
+
dy
=
1
n!
n1

k=0
(1)
k
_
n
k
__
x
x1
(z k)
n
+
dz
et en separant la somme sur k selon la position de k par rapport ` a x, on obtient
1
n!
_

_
n1

k = 0
x 1 < k x
(1)
k
_
n
k
__
x
k
(z k)
n
dz +
n1

k = 0
k x 1 < x
(1)
k
_
n
k
__
x
x1
(z k)
n
dz
_

_
,
3
ce qui nous donne nalement
P[X
1
+ + X
n+1
x]
=
1
(n + 1)!
_

_
n1

k = 0
x 1 < k x
(1)
k
_
n
k
_
(x k)
n+1
+
n1

k = 0
k x 1 < x
(1)
k
_
n
k
_
_
(x k)
n+1
(x 1 k)
n+1
_
_

_
=
1
(n + 1)!
_

_
n1

k = 0
k x
(1)
k
_
n
k
_
(x k)
n+1

n1

k = 0
k x 1 < x
(1)
k
_
n
k
_
(x k 1)
n+1
_

_
=
1
(n + 1)!
_

_
n1

k = 0
k x
(1)
k
_
n
k
_
(x k)
n+1

k = 1
k x
(1)
k1
_
n
k 1
_
(x k)
n+1
_

_
=
1
(n + 1)!
_
n1

k=0
(1)
k
_
n
k
_
(x k)
n+1
+

n

k=1
(1)
k1
_
n
k 1
_
(x k)
n+1
+
_
=
1
(n + 1)!
n

k=0
(1)
k
_
n + 1
k
_
(x k)
n+1
+
.
(3) Comme nous savons que f
X
1
++Xn
(x) =
d
dx
F
X
1
++Xn
(x) et que
d
dx
(x k)
n
+
=
n(x k)
n1
+
, le resultat est evident.
(4) Il sut de remarquer que la densite de probabilite de X
(n)
est obtenue par derivation
de F
X
1
++Xn
(xn).
Exercice 2.4 (Distance en variation totale). Une mani`ere devaluer la similarite
entre les lois de probabilite de deux variables aleatoires de comptage M et N consiste ` a calculer
la distance qui les separe. De nombreuses denitions de distances entre lois de probabilite
existent, parmi lesquelles la distance en variation totale, notee d
TV
, denie par
d
TV
(M, N) =
+

k=0
|P[M = k] P[N = k] |.
Soient I Ber(q) et N Poi() avec q. Montrez que
d
TV
(N, I) = 2
_
q e

_
et que cette distance est minimale pour = q.
4
Solution. Premi`erement, ecrivons
d
TV
(N, I) =
+

k=0
|P[N = k] P[I = k] |
= |1 q e

| +|q e

| +
+

k=2
P[N = k]
. .
=1P[N=0]P[N=1]
= |1 q e

| +|q e

| + 1 e

.
Comme q, nous avons
e

1 1 q et q e

;
de sorte que
d
TV
(N, I) = 2
_
q e

_
qui est minimum pour q = (car la fonction e

est decroissante sur [0, 1] de sorte que

q e

est minimum pour aussi grand que possible, i.e. = q).

Exercice 2.5 (Decouvert obligatoire proportionnel). Un decouvert obligatoire pro-
portionnel laisse en toute hypoth`ese une portion de 100% du montant de sinistre ` a charge
de lassure, 0 1. Ce type de clause est souvent utilise lorsque le comportement de
lassure peut inuencer le montant total du sinistre. Il en est ainsi par exemple en assurance
hospitalisation : certaines compagnies laissent 20% du total des frais medicaux ` a charge de
lassure, an de lencourager ` a reduire ses sejours ` a lh opital au strict minimum. Quelle est
la fonction de repartition du montant paye par la compagnie en execution dun tel contrat ?
Solution. Dans le cas dun decouvert obligatoire proportionnel, on pose Y = (1 )S
lindemnite versee par lassureur o` u S represente le montant du sinistre. La fonction de
repartition F
Y
de Y est donnee par
F
Y
(y) = P[Y y] = P
_
S
y
1
_
= F
S
_
y
1
_
, y 0.
Exercice 2.6. On suppose que les co uts de sinistre C
1
, C
2
, . . . sont independants de loi
Exp() et on pose S
n
= C
1
+ + C
n
.
(i) Montrez que les fonctions de repartition de S
n
et de S
n+1
sont liees par
F
S
n+1
(x) =
_
+
0
F
Sn
(x t)dF(t)
=
_
+
0
_
_
1
n1

j=0
[(x t)]
j
j!
e
(xt)
_
_
e
t
dt
(ii) Deduisez-en que
F
Sn
(x) = 1
n1

j=0
[x]
j
j!
e
x
.
5
(iii) En notant p(j) = P[N > j], montrez que la fonction de repartition de S =

N
k=1
C
k
secrit
F
S
(x) = 1 e
x

j=0
p(j)
[x]
j
j!
.
Solution. Regroupons les etapes (i) et (ii) et montrons par recurrence que la fonction
de repartition de S
n
est donnee par
F
Sn
(x) = 1
n1

j=0
[x]
j
j!
e
x
.
Pour rappel, la fonction de repartition F dune loi exponentielle de param`etre est donnee
par F(x) = 1 e
x
.
Etape 1. Pour n = 1, on a S
1
= C
1
, donc
F
S
1
(x) = 1 e
x
= 1
0

j=0
[x]
j
j!
e
x
.
Etape 2. Supposons la relation veriee au rang n et verions la pour le rang n + 1. Il
vient
F
S
n+1
(x) = P
_
n+1

i=1
C
i
x
_
= P[S
n
+ C
n+1
x] = F
Sn
F
n+1
(x)
=
_
x
0
F
Sn
(x t)dF
n+1
(t)
=
_
x
0
_
_
1
n1

j=0
[(x t)]
j
j!
e
(xt)
_
_
e
t
dt
=
_
x
0
e
t
dt
n1

j=0

j+1
j!
e
x
_
x
0
(x t)
j
dt
= 1 e
x

n1

j=0
(x)
j+1
(j + 1)!
e
x
= 1 e
x

j=1
(x)
j
j!
e
x
= 1
n

j=0
(x)
j
j!
e
x
6
(iii) Notons p(j) = P[N > j] =

+
k=j+1
P[X = k] et S =

N
k=1
C
k
. On a
F
S
(x) = P
_
N

i=1
C
i
x
_
=
+

k=0
P[N = k] P
_
k

i=1
C
i
x
_
. .
=1

k1
j=0
(x)
j
j!
e
x
=
+

k=0
P[N = k]
. .
=1

k=0
k1

j=0
P[N = k]
(x)
j
j!
e
x
= 1
+

j=0
+

k=j+1
P[N = k]
. .
=p(j)
(x)
j
j!
e
x
= 1 e
x
+

j=0
p(j)
(x)
j
j!
.
Exercice 2.7 (Loi exponentielle bivariee de Marshall & Olkin). Considerons les
variables aleatoires independantes Y
1
, Y
2
et Z. Notons H
1
et H
2
les fonctions de repartition
de Y
1
et Y
2
, et supposons Z Exp(). Denissons ` a present
_
X
1
= min {Y
1
, Z} ,
X
2
= min {Y
2
, Z} .
(i) Montrez que les fonctions de repartition de X
1
et de X
2
sont donnees par
F
X
j
(x
j
) = 1 e
x
j
H
j
(x
j
),
pour j = 1, 2.
(ii) Montrez que la fonction de repartition jointe de X est donnee par
F
X
(x) = F
X
1
(x
1
) + F
X
2
(x
2
) 1 + e
min{x
1
,x
2
}
F
X
1
(x
1
)F
X
2
(x
2
). (1)
Solution. (i) Pour i = 1, 2, on a
F
X
i
(x
i
) = P[X
i
x
i
] = P[min(Y
i
, Z) x
i
] = 1 P[min (Y
i
, Z) > x
i
] ;
et parce que Y
i
et Z sont independants, il vient
F
X
i
(x
i
) = 1 P[Y
i
> x
i
] P[Z > x
i
] = 1 H
i
(x
i
)e
x
i
.
(ii) Lexpression de F
X
(x) est obtenue comme suit :
P[X
1
x
1
, X
2
x
2
]
= P[X
1
x
1
] +P[X
2
x
2
] P[X
1
x
1
ou X
2
x
2
]
= F
X
1
(x
1
) + F
X
2
(x
2
) 1 +P[X
1
> x
1
, X
2
> x
2
] .
7
Comme Y
1
, Y
2
et Z sont independants, il vient
P[X
1
> x
1
, X
2
> x
2
] = P[Y
1
> x
1
] P[Y
2
> x
2
] P[Z > x
1
, Z > x
2
]
. .
=P[Z>max(x
1
,x
2
)]
.
Ensuite, par (ii), on sait que H
i
(x
i
) = F
X
i
(x
i
)e
x
i
(i = 1, 2). Ainsi,
F
X
(x) = F
X
1
(x
1
) + F
X
2
(x
2
) 1 + F
X
1
(x
1
)F
X
2
(x
2
)e
(x
1
+x
2
)
e
max(x
1
,x
2
)
= F
X
1
(x
1
) + F
X
2
(x
2
) 1 + F
X
1
(x
1
)F
X
2
(x
2
)e
min(x
1
,x
2
)
.
Exercice 2.8 (Loi de Pareto bivariee). Supposons que conditionnellement ` a , les
variables aleatoires X
1
et X
2
sont independantes et de loi Exp(). Si Gam(, ), montrez
que
F
X
(x) = F
X
1
(x
1
) + F
X
2
(x
2
) 1 +
_
_
F
X
1
(x
1
)
_
1/
+
_
F
X
2
(x
2
)
_
1/
1
_

. (2)
Solution. Considerons un risque X qui, conditionnellement ` a la variable aleatoire , est
de loi exponentielle Exp(), i.e.
P[X x| = ] = 1 exp(x).
Comme il est bien connu, si suit une loi de param`etres et , alors la distribution
marginale de X est une Pareto :
F
X
(x) =
_
R
+
P[X > x| = ] f

()d
=
_
R
+
e
x

1
e

()
d
=

()
1
(x + )

_
R
+
e

1
d
. .
=()
=

(x + )

=
_
1 +
x

.
Supposons que, conditionnellement ` a la classe de risque = , X
1
et X
2
sont independant
et identiquement distribues. Supposer quils viennent de la meme classe de risque =
introduit une dependance ! La distribution jointe de X = (X
1
, X
2
) est obtenue comme suit :
F
X
(x) = F
X
1
(x
1
) + F
X
2
(x
2
) 1 + F
X
(x)
= F
X
1
(x
1
) + F
X
2
(x
2
) 1 +
_
R
+
P[X
1
> x
1
| = ] P[X
2
> x
2
| = ] f

()d
= F
X
1
(x
1
) + F
X
2
(x
2
) 1 +
_
R
+
e
(x
1
+x
2
)

1
e

()
d
= F
X
1
(x
1
) + F
X
2
(x
2
) 1 +
_
1 +
x
1
+ x
2

.
8
Donc, comme nous avons
_
F
X
1
(x
1
)
1/
+ F
X
2
(x
2
)
1/
1
_

=
__
1 +
x
1

_
+
_
1 +
x
2

_
1
_

=
_
1 +
x
1
+ x
2

,
il vient
F
X
(x) = F
X
1
(x
1
) + F
X
2
(x
2
) 1 +
_
_
F
X
1
(x
1
)
_
1/
+
_
F
X
2
(x
2
)
_
1/
1
_

.
9