.

Solutions dexercices du Chapitre 5 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 5.1. Soit X Gam(, ). Montrez que pour 0 < p
1
p
2
< 1,
(i) la dierence VaR[X; p
2
] VaR[X; p
1
] est croissante en .
(ii) le ratio VaR[X; p
2
] /VaR[X; p
1
] est decroissant en .
(iii) la dierence VaR[X; p
2
] VaR[X; p
1
] est decroissante en .
Exercice 5.2 (Mesure de risque Normal Transform). Pour 0 < q < 1, denissons
la fonction de distorsion
(8) g
q
(x) =
_

1
(q) +
1
(x)
_
, 0 < x < 1,
appelee Normal Transform de niveau q. La mesure de risque de Wang associee ` a de telles
fonctions de distorsion est appelee mesure de risque Normal Transform, notee par NT
q
[X].
Montrez que
X Nor(,
2
) NT
q
[X] = VaR[X; q] .
Solution. Si X Nor
_
,
2
_
, on sait que F
X
(x) =
_
x

_
o` u
(x) =
1

2
_
x

e
y
2
/2
dy, x R
est la fonction de repartition associee ` a une loi normale de param`etres 0 et 1. Ainsi,

1
_
F
X
(x)
_
=
x

et
1
(q) =
F
1
X
(q)

et on trouve alors
1 g
q
_
F
X
(x)
_
=
_

1
(q) +
1
_
F
X
(x)
_
=
_

1
(q)
1
_
F
X
(x)
_
=
_
x F
1
X
(q)

_
.
Ceci implique que
NT
q
(X)
=
_
1
0
VaR[X; 1 ] dg
q
()
=
_
1
0
VaR[X; 1 ]
1

2
_
1

_
exp
_
(VaR[X; q] VaR[X; 1 ])
2
2
2
_
dVaR[X; 1 ]
=
_
+

x
1

2
exp
(x VaR[X; q])
2
2
2
dx
= VaR[X; q] .
Exercice 5.3 (Mesures de risque dans le cas des lois elliptiques). Le cas elliptique
est un cas relativement particulier, puisquun grand nombre de resultats generalement faux
deviennent corrects.
Sous-additivite de la VaR : Montrez que si (X, Y ) admet une loi elliptique, alors
VaR[X +Y ; ] VaR[X; ] + VaR[Y ; ] ,
et elle est ainsi une mesure coherente.
1
CTE de risques elliptiques univaries : Soit X une variable aleatoire de loi elliptique de
generateur g, et de param`etres et , dont la densite est donnee par (2.12), i.e.
(9) f
X
(x) =
c

g
_
1
2
_
x

_
2
_
,
o` u c est la constante de normalisation. Notons G le generateur cumule, i.e
G(x) = c
_
x
0
g(t)dt.
Montrez alors que
CTE[X; ] = +

(, )
2
o` u

(, ) =
1

G
_
[(VaR[X; ] ) /]
2
/2
_
F
X
(VaR[X; ])
.
Cas gaussien : Si X Nor
_
,
2
_
, montrez que
1. le generateur cumule est
G(t) = c
_
1 e
t
_
,
avec c = 1/

2.
2. La CTE est donnee par
CTE[X; ] = +

2
o` u

=
1

1
()
_
1
.
Solution. Sous-additivite de la VaR. Il sut de remarquer que pour un certain ,
VaR[X +Y ; p] = E[X +Y ] +
_
Var [X +Y ].
Suggestion. Se servir du fait que les elliptiques sont des melanges de lois normales.
CTE de risques elliptiques univaries. Il sut decrire
CTE[X; ] =
1
F
X
(VaR[X; ])
_

VaR[X;]
udF
X
(u)
=
1
F
X
(VaR[X; ])
_

VaR[X;]
x
c

g
_
1
2
_
x

_
2
_
dx
=
1
F
X
(VaR[X; ])
_

VaR[Z;]
c ( +z) g
_
1
2
z
2
_
dz,
en posant Z =
X

et z =
x

. Finalement, comme F
Z
(VaR[Z; ]) = F
X
(VaR[X; ]), on
obtient
CTE[X; ] =
1
F
X
(VaR[X; ])
_
F
Z
(VaR[Z; ]) +c
_

VaR[Z;]
zg
_
1
2
z
2
_
dz
_
=
1
F
X
(VaR[X; ])
_
+

2
o` u

=
1
F
X
(VaR[X; ])
c

_

1
2
VaR[Z;]
2
g(u)du =
1

G
_
VaR[Z; ]
2
/2
_
F
X
(VaR[X; ])
.
Cas gaussien. (i) Comme
f
X
(x) =
1

2
. .
=
c

exp
_

1
2
_
x

_
2
_
= cg
_
1
2
_
x

_
2
_
,
dans le cas gaussien, on a g(x) = e
x
. Ainsi
G(x) = c
_
x
0
e
t
dt = c
_
1 e
x
_
.
(ii) On a CTE[X; ] = +

2
avec

=
1

G
_
1
2
_
VaR[X;]

_
2
_
F
X
(VaR[X; ])
=
1

c exp
_

1
2

1
()
2
_
1 (
1
())
=
1

1
()

1
o` u (x) =
1

2
exp
_

1
2
x
2
_
.
Exercice 5.4 (Principaux mod`eles parametriques). Pour la plupart des mod`eles
parametriques utilises en sciences actuarielles, lorsquon augmente (ou diminue) la valeur
dun param`etre, la situation devient plus (ou moins) risquee quauparavant au sens de
VaR
.
Prouvez les resultats suivants :
Gam(, )
VaR
Gam(

, ), pour

,
Gam(,

)
VaR
Gam(, ), pour

,
Par(, )
VaR
Par(,

), pour

,
Par(

, )
VaR
Par(, ), pour

,
Nor(, )
VaR
Nor(

, ), pour

,
LNor(, )
VaR
LNor(

, ), pour

.
Suggestion. Utiliser les conditions susantes dHesselager, avec
d
dx
ln f
X
(x).
Exercice 5.5 (Comparaison des risques en cas de reparation forfaitaire).
Considerons un portefeuille de polices dassurance donnant lieu ` a une indemnite forfaitaire
de montant s avec la probabilite q. Le co ut des sinistres S
i
relatifs ` a la police i secrit comme
en (3.10). Comparons ce portefeuille avec un portefeuille similaire dierant du premier par
le montant du forfait et la probabilite de sinistre, i.e. le remboursement de la compagnie ` a
lindividu i est donne par

S
i
=
_
0, avec une probabilite 1 q,
s, avec une probabilite q.
Montrez que
3
(i) q = q S
i

VaR

S
i
lorsque s s.
(ii) lorsque s = s et q q, alors S
i

VaR

S
i
.
Solution. (i) On voit facilement que quel que soit z 0
P
_

S
i
> z
_
= q
..
=q
I[ s > z] qI[s > z] = P[S
i
> z]
alors que P[S
i
> z] = P
_

S
i
> z
_
= 1 quel que soit le reel z < 0. Lorsque la probabilite de
survenance reste la meme mais que le montant du forfait augmente, tous les decideurs guides
par le prot consid`erent que la situation se deteriore.
(ii) De meme, lorsque s = s mais que q q, tous les decideurs guides par le prot
prefereront S
i
` a

S
i
. En eet, on voit facilement que quel que soit z 0
P
_

S
i
> z
_
= qI[ s
..
=s
> z] qI[s > z] = P[S
i
> z]
alors que P[S
i
> z] = P
_

S
i
> z
_
= 1 quel que soit le reel z < 0. En cas daugmentation de
la probabilite de survenance de sinistre, ` a forfait identique, tous les decideurs guides par le
prot saccordent ` a trouver la situation moins favorable.
Exercice 5.6 (Comparaison des risques en cas de reparation indemnitaire).
Passons ` a present ` a une reparation indemnitaire, i.e. le co uts des sinistres S
i
relatifs ` a la
police i est de la forme (3.11). Supposons quune compagnie doive faire face ` a des co uts par
police de

S
i
=
_
0, avec une probabilite 1 q,

Z
i
, avec une probabilite q,
Montrez que
(i) Z
i
=
loi

Z
i
S
i

VaR

S
i
lorsque q q.
(ii) lorsque q = q et Z
i

VaR

Z
i
, alors S
i

VaR

S
i
.
Solution. (i) On voit facilement que quel que soit z 0
P
_

S
i
> z
_
= q P
_

Z
i
> z
_
. .
=P[Z
i
>z]
qP[Z
i
> z] = P[S
i
> z]
alors que P[S
i
> z] = P
_

S
i
> z
_
= 1 quel que soit le reel z < 0.
(ii) De meme, quel que soit z 0
P
_

S
i
> z
_
= q
..
=q
P
_

Z
i
> z
_
qP[Z
i
> z] = P[S
i
> z]
alors que P[S
i
> z] = P
_

S
i
> z
_
= 1 quel que soit le reel z < 0.
4
Exercice 5.7. Lorsque [X|a X b]
VaR
[Y |a Y b] quels que soient a < b R,
montrez que
(10) F
Y
(VaR[X; ]) est convexe.
Solution. Il sut de remarquer que F
Y
(VaR[X; ]) est convexe, si et seulement si
sa derivee est non-decroissante, i.e.
f
Y
(VaR[X;])
f
X
(VaR[X;])
est non-decroissante. Ce qui sut car nous
savons, par la Proposition 5.3.12 page 253, que [X|a X b]
VaR
[Y |a Y b] a < b R
si et seulement si
f
X
(t)
f
Y
(t)
est decroissante sur lintersection des supports de X et Y .
Exercice 5.8. Considerons le risque
S
h
=
_
mh, avec la probabilite
1
2
,
m+h, avec la probabilite
1
2
.
Montrez que
(i) la variance de S
h
est une fonction croissante de h.
(ii) S
h

TVaR,=
S
h
lorsque h h

.
Solution. (i) Il sut de considerer le cas h 0 et de remarquer que
Var [S] =
1
2
(mh)
2
+
1
2
(m +h)
2
m
2
= h
2
.
qui est bien une fonction croissante en h.
(ii) Pour montrer que S
h

TVaR,=
S
h
lorsque h h

, appliquons la conditions susante

sur le nombre de croisements des fonctions de repartition de S
h
et S
h
. Graphiquement, il est
aise de voir quil ny a quun unique point de croisement entre ces fonctions de repartitions, ` a
savoir m+h. De plus, pour tous les points inferieurs (resp. superieurs) ` a m+h, la fonction de
repartition de S
h
est inferieure (resp. superieure) ` a celle de S
h
. Ce qui sut pour conclure.
Exercice 5.9. Montrez que
X
TVaR,=
Y
Var [X] = Var [Y ]
_
X =
loi
Y.
Solution. Etape 1. Dans cette etape, montrons que
(11)
1
2
Var [X] =
_
+

_
E
_
(X t)
+

(E[X] t)
+
_
dt.
Premi`erement, remarquons que
E
_
(t X)
+

=
_
t

(t x)dF
X
(x)
=
_
t

xdF
X
(x) +t
_
1
_
+
t
dF
X
(x)
_
= t +E
_
(X t)
+

_
R
xdF
X
(x)
= E
_
(X t)
+

E[X] +t.
5
Ainsi, nous avons
_
+

_
E
_
(X t)
+

(E[X] t)
+
_
dt =
_
E[X]

E
_
(t X)
+

dt +
_
+
E[X]
E
_
(X t)
+

dt.
Ensuite, comme
_
E[X]

E
_
(t X)
+

dt =
_
E[X]

_
t

(t x)dF
X
(x)dt
=
_
E[X]

_
E[X]
x
(t x)dtdF
X
(x)
=
_
E[X]

_
E[X]
2
2

x
2
2
xE[X] +x
2
_
dF
X
(x),
il vient
_
E[X]

E
_
(t X)
+

dt =
1
2
_
E[X]

(x E[X])
2
dF
X
(x).
De la meme mani`ere, on peut obtenir que
_
+
E[X]
E
_
(X t)
+

dt =
1
2
_
+
E[X]
(x E[X])
2
dF
X
(x).
Ainsi, il est aise de conclure car
_
+

_
E
_
(X t)
+

(E[X] t)
+
_
dt =
1
2
_
R
(x E[X])
2
dF
X
(x) = Var [X] .
Etape 2. Par hypoth`ese, nous avons X
TVaR,=
Y et Var [X] = Var [Y ]. Ainsi, en
utilisant (11), il vient
_
R
_
E
_
(Y t)
+

E
_
(X t)
+
_
dt = 0 =
1
2
(Var [Y ] Var [X]) .
Donc, E
_
(Y t)
+

= E
_
(X t)
+

ou encore X =
loi
Y car la prime stop-loss caracterise le
risque.
Exercice 5.10. Soient deux risques X et Y tels que E[X] = E[Y ]. Montrez que
X
TVaR,=
Y E|X a| E|Y a| quel que soit a R.
Solution. Condition Susante. Trivial si on voit que la fonction x |x a| est
convexe pour tout a R (cfr. Propriete 5.4.5 (ii) page 258).
Condition Necessaire. Comme
E|X a| =
_
xR
|x a|dF
X
(x) =
_
a

(a x)dF
X
(x) +
_
+
a
(x a)dF
X
(x)
= a
_
a

dF
X
(x)
_
a

xdF
X
(x) +
X
(a)
= a E[X] + 2
X
(a),
6
il est evident que
E|X a| E|Y a|, a R
a E[X] + 2
X
(a) a E[Y ] + 2
Y
(a), a R
a
X
(a)
Y
(a), a R
X
TVaR,=
Y (cfr. Proposition 5.4.4 (ii) page 256).
Exercice 5.11. Soient un risque X et E Exp(1/E[X]). Montrez que les armations
suivantes sont equivalentes :
(i) X
TVaR,=
E
(ii) r
X
est non-decroissant (i.e. X est IFR)
(iii) F
X
est log-concave.
Dautre part, montrez que les armations suivantes sont egalement equivalentes :
(i) E
TVaR,=
X
(ii) r
X
est non-croissant (i.e. X est DFR)
(iii) F
X
est log-convexe.
Exercice 5.12. Quel que soit le risque X de moyenne , de variance
2
et de support
inclus ` a (a, b), montrez que
(i) X

TVaR,=
X o` u
X

=
_


2
b
, avec la probabilite
b
b
,

2
+
2

, avec la probabilite 1
b
b
.
(ii) X
TVaR,=
X
+
o` u la fonction de repartition de X
+
est donnee par
F
+
(x) =
_
_
_

2
+
2
, si 0 x
+
2
2
,
1
2
+
1
2
x

(x)
2
+
2
, si x >
+
2
2
.
Exercice 5.13. Montrez que Exp(E[1/])
TVaR,=
MExp(). Deduisez-en que le coef-
cient de variation de tout melange exponentiel exc`ede 1.
Suggestion. Utiliser la convexite stochastique, avec E[1/]
TVaR,=
1/.
Exercice 5.14 (Ordre de la transformee de Laplace). La variable aleatoire positive
Y domine X pour la relation dordre de la transformee de Laplace (note X
LT
Y ) si, et
seulement si, L
X
(t) L
Y
(t) pour tout t > 0.
Soit E
t
Exp(t) independante de X et Y . Montrez que X
LT
Y si et seulement si
P[X > E
t
] P[Y > E
t
] pour tout t 0.
7
Solution. Si nous montrons que P[X > E
t
] = 1 L
X
(t) pour tout t 0, le resultat est
evident. Or, pour tout t 0, il vient
P[X > E
t
] =
_
+
x=0
P[X > x] te
tx
dx
= t
_
+
x=0
_
+
z=x
e
tx
dP[X z] dx
= t
_
+
z=0
_
z
x=0
e
tx
dxdP[X z]
=
_
+
z=0
_
1 e
tz
_
dP[X z]
= 1 L
X
(t).
8