Chapitre4-5-Charpentier Dutang Actuariat Avec R

Chapitre 4
Calculs de base en assurance vie et

décès
L’assurance-vie repose essentiellement sur des calculs

P de valeurs actuelles probables, c’est
à dire des calculs d’expressions de la forme c0 p = j cj pj , où c est un vecteur de flux futurs
actualisés, de la forme (1 + i) j cj où i est le taux d’actualisation (en retenant les notations
usuelles) et cj un flux de paiements qui peut survenir à la date j, et pj est la probabilité que le
jème paiement soit e↵ectué (généralement une probabilité qu’une personne soit en vie pour le
calcul des rentes, ou la probabilité qu’une personne décède à cette date pour l’assurance décès).
R est un langage idéal pour les calculs de ces valeurs actuelles probables compte tenu de la
forme vectorielle de la plupart des expressions. Nous allons voir dans ce chapitre les bases des
calculs actuariels, en présentant quelques calculs d’annuités classiques, ainsi que les valorisa-
tions de provisions mathématiques. Enfin, nous présenterons un algorithme utilisant des formes
récursives de plusieurs grandeurs utilisées en assurance-vie.
Si nous allons définir toutes les grandeurs qui seront calculées, nous renvoyons à Petauton
(2004), Denuit & Robert (2007), Hess (2000), Dickson et al. (2009) ou Vylder (2010) pour une
présentation plus poussée des notions et des di↵érents concepts.
4.1 Quelques notations

Si l’assurance non-vie repose essentiellement sur des modélisation stochastique des sinistres à
venir, l’assurance-vie consiste fondamentalement à actualiser des flux futurs, incluant généralement
un part d’incertitude (associée au décès ou à la survie d’un assuré). De la même manière que
nous nous étions attachés à calculer des primes à l’aide d’espérance de flux en assurance non-vie
(conditionnelles à des variables tarifaires dans le chapitre 2 par exemple), nous allons ici calculer
des grandeurs de la forme :
1
!
X Ck
E · 1(paiement à la date Tk ) ,
(1 + i)Tk
k=1
où l’assureur s’est engagé à verser un capital Ci à des dates Tk (connues), à condition qu’une
hypothèse soit vérifiée à la date Tk . Compte-tenu de la linéarité de l’espérance, si l’on suppose
le taux d’actualisation non aléatoire, on peut réécrire cette dernière expression sous la forme :
1
X X 1
Ck
T
P(paiement à la date Tk ) = Ck · ⌫ Tk · P(paiement à la date Tk ),
(1 + i) k
k=1 k=1
133
où le facteur d’actualisation ⌫ = (1 + i) 1 permettra d’éviter - autant que possible - la notation
i, réservée aux taux d’actualisation en assurance-vie, mais désignant un indice de ligne dans les
algorithmes.
4.1.1 Les probabilités de décès, ou de survie

Comme le montre la formule précédante, un des points essentiels lors de la valorisation est de
disposer de ces probabilités p, liées souvent à la survie - ou au décès - d’un assuré (en particulier
les taux d’actualisation sont supposés ici connus, et constants).
Considérons un individu d’âge x à la souscription d’un contrat d’assurance (correspondant
à la variable x sous R), et notons classiquement Tx sa durée de vie résiduelle (qui est aléatoire).
On pose k qx = P(Tx  k) la probabilité de ne plus être en vie à l’âge x + k (c’est à dire k années
après la souscription), et k px = P(Tx > k) la probabilité d’être encore en vie à l’âge x + k. A x
donné, k 7! k px = P(Tx > k) est alors la fonction de survie de la variable Tx qx.. On peut alors
considérer des vecteurs px et qx. Parmi les autres notations, la probabilité de décéder pendant
une période particulière, disons entre les âges x + k et x + k + h, sera notée
k|h qx = P(k < Tx  k + h) = k px k+h px .
Par abus de notation, on notera parfois px la quantité 1 px et qx la quantité 1 qx . Et on notera

k dx = k|1 qx la probabilité qu’une personne d’âge x décède à l’âge x + k (ce qui n’a toutefois rien
d’officiel, mais permettra des simplifications sous R par la suite).
Ces grandeurs sont obtenues numériquement à l’aide des tables de mortalité, c’est à dire un
vecteur L de Lx pour tous les âges x, correspondant au nombre de survivants ayant atteint l’âge
x au sein d’une cohorte de taille L0 intialement (à la naissance, avec souvent L0 = 100000, par
convention). La première valeur du vecteur L, i.e. L[1] correspondra alors à L0 . Il conviendra
d’être particulièrement prudent dans la manipulation des indices. Afin d’illustrer ces calculs, nous
utiliseront les anciennes tables françaises (qui présentent l’avantage d’être simples d’utilisation)
dites TV88-90 (TV, en cas de vie) et TD88-90 (TD, en cas de décès) .
Les tables étant un comptage de survivants, on en déduit aisément un estimateur des proba-
bilité de survie (et donc aussi de décès, même si nous reviendrons plus longuement sur ce point
dans le prochain chapitre). La probabilité pour un individu d’âge x = 40 ans d’être encore en
vie k = 10 ans plus tard (et donc d’atteindre les 50 ans) s’écrit
Lx+k
k px = , avec ici x = 40 et k = 10.
Lx
> TD[39:52,]
Age Lx
39 38 95237
40 39 94997
41 40 94746
42 41 94476
43 42 94182
44 43 93868
45 44 93515
46 45 93133
47 46 92727
48 47 92295
49 48 91833
50 49 91332
51 50 90778
52 51 90171
> TD$Lx[TD$Age==50]
[1] 90778
> x <- 40
> h <- 10
> TD$Lx[TD$Age==x+h]/TD$Lx[TD$Age==x]
[1] 0.9581196
> TD$Lx[x+h+1]/TD$Lx[x+1]
[1] 0.9581196
Sous cette forme, on retrouve des formules classiques de probabilités conditionnelles (car on
conditionne toujours par le fait que l’individu est en vie à l’âge x) par exemple
Lx+k+h Lx+k+h Lx+k
k+h px = = · = h px+k · k px
Lx Lx+k Lx
soit
P(Tx > k + h) = P(T > x + k + h|T > x) = P(T > x + k + h|T > x + k) · P(T > x + k|T > x).
Cette relation sera discutée plus en détails dans le Chapitre 5.
Nous verrons par la suite l’intérêt de toutes ces formules itératives, mais on peut déjà noter
que comme il semble intéressant de parfois changer l’âge de l’individu (ici en regardant par
exemple un individu d’âge x + k), on peut voir k px comme le terme générique d’une matrice p,
dépendant des paramètres x et k (avec toujours x = 0, 1, 2, 3, · · · ce qui posera des problèmes
d’indexation, et k = 1, 2, 3, · · · ). Avec cette écriture, nous aurons des soucis pour travailler avec
les âges x = 0. Toutefois, les produits d’assurance-vie étant souvent destiné à des personnes
d’âge plus avancé, nous garderons cette simplification dans la première partie de ce chapitre.
> Lx <- TD$Lx
> m <- length(Lx)
> p <- matrix(0,m,m); d <- p
> for(i in 1:(m-1)){
+ p[1:(m-i),i] <- Lx[1+(i+1):m]/Lx[i+1]
+ d[1:(m-i),i] <- (Lx[(1+i):(m)]-Lx[(1+i):(m)+1])/Lx[i+1]}
> diag(d[(m-1):1,]) <- 0
> diag(p[(m-1):1,]) <- 0
> q <- 1-p
La matrice p contient les j pi , la matrice q contient les j qi , alors que la matrice d contient
les j di . On vérifiera sans trop de difficultés que la somme des éléments de d par colonne (donc
à âge fixé) vaut 1,
> apply(d,2,sum)[1:10]
[1] 1 1 1 1 1 1 1 1 1 1
Aussi, p[10,40] correspondra à 10 p40 :
> p[10,40]
[1] 0.9581196
On peut ainsi représenter les fonctions de survie résiduelle, et calculer une espérance de vie
résiduelle, en notant que
X1 1
X
ex = E(Tx ) = k · k|1 qx = k px
k=1 k=1
> x <- 45
> S <- p[,45]/p[1,45]
> sum(S)
[1] 30.46237
On peut aussi écrire une petite fonction permettant de calculer l’espérance de vie résiduelle
à l’âge x, pour x > 0 (pour des raisons d’indexation de matrice expliquées auparavant),
> esp.vie=function(x){sum(p[1:nrow(p),x])}
> esp.vie(45)
[1] 30.32957
On peut aussi utiliser TGH-05 (pour les hommes, base de donnée TGH sous R) et TGF-05
(pour les femmes, notée TGF) qui ont été construites à partir d’une population de rentiers (et
non plus sur l’ensemble de la population française comme les tables TV88-90 et TD88-90).
Ces tables sont di↵érentes au sens où elles intègrent un aspect temporel que nous n’avons
pas mentionné jusqu’à présent. Compte-tenu des améliorations des conditions de vie, on imagine
que quelqu’un ayant 70 ans en 2010 n’a probablement pas la même fonction de survie résiduelle
qu’une personne qui atteindra 70 ans en 2050. Et compte-tenu de la durée des engagements en
assurance-vie, il semble légitime d’intégrer cet aspect temporel dans les calculs (ce point fera
l’objet du prochain chapitre).
Si on considère une personne d’âge x l’année t, son année de naissance est alors t x, colonne
qui va permettre de récupérer les Lx+k utiles pour les calculs.
> annee <- 2010
> age <- 45
> an <- annee-age; if(an>2005){an=2005}
> nom <- paste("X",an,sep="")
> LH <- TGH[,nom]
> LF <- TGF[,nom]
4.1.2 Calculs de valeurs actuelles probables

La valeur actuelle probable s’écrit, de manière très générale,
k
X k
X
C j · pj
= ⌫ j · C j · pj
(1 + i)j
j=1 j=1
où C = (C1 , · · · , Ck ) est l’ensemble des montants à verser (correspondant à un vecteur C), i est
le taux d’actualisation, et p = (p1 , · · · , pk ) est le vecteur des probabilités de verser le capital
aux di↵érentes dates {1, 2, ..., k} (correspondant à un vecteur P).
> k <- 20; x <- 40; i <- 0.03
> C <- rep(100,k)
> P <- p[1:k,x]
> sum((1/(1+i)^(1:k))*P*C)
[1] 1417.045
> sum(cumprod(rep(1/(1+i),k))*P*C)
[1] 1417.045
Rappelons que ce calcul peut se faire au sein d’une fonction générique,
> LxTD<-TD$Lx
> VAP <- function(capital=1,m=1,n,Lx=TD$Lx,age,taux=.03)
+ {
+ proba <- Lx[age+1+m:n]/Lx[age+1]
+ vap <- sum((1/(1+taux)^(m:n))*proba*capital)
+ return(vap)
+ }
> VAP(capital=100,n=20,age=40)
[1] 1417.045
On peut ainsi rapidement changer la table,
> VAP(capital=100,n=20,age=40,L=TV$Lx)
[1] 1457.646
> VAP(capital=100,n=20,age=40,L=LH)
[1] 1472.078
> VAP(capital=100,n=20,age=40,L=LF)
[1] 1472.598
ou les taux d’actualisation
> VAP(capital=100,n=20,age=40,taux=.04)
[1] 1297.245
Il est aussi possible de visualiser la sensibilité de ces valeurs actuelles probables en fonction
des taux, d’actualisation, ou de l’âge de l’assuré, comme sur la Figure 4.1
> VAPtaux <- function(T){VAP(capital=100,n=20,age=40,taux=T)}
> vVAPtaux <- Vectorize(VAPtaux)
> TAUX <- seq(.01,.07,by=.002)
> VAPage <- function(A){VAP(capital=100,n=20,age=A,taux=.035)}
> vVAPage <- Vectorize(VAPage)
> AGE <- seq(20,60)
> par(mfrow = c(1, 2))
> plot(100*TAUX,vVAPtaux(TAUX),xlab="Taux d’actualisation (%)",
+ ylab="Valeur Actuelle Probable")
> plot(AGE,vVAPage(AGE),xlab="Age de l’assuré",ylab="Valeur Actuelle Probable")
4.2 Calculs d’annuités

A partir du moment où nous disposons de toutes les probabilités k px , il est possible de faire
tous les calculs imaginables d’actualisation de flux futurs probables. Nous allons reprendre ici les
produits les plus classiques, et notant que tous les produits complexes d’assurance-vie peuvent
être vus comme des combinaisons linéaires de ces produits simples. Par linéarité de l’espérance,
la valorisation pourra être faite en faisant la même combinaison linéaire de ces valeurs actuelles
probables.
4.2.1 Valeurs actuelles probables de capital di↵éré

Le plus simple est probablement la valeur actuelle probable d’un capital di↵éré (pure en-
dowment) k Ex , correspondant à la valeur actuelle probable d’un capital de 1 dans le cas où une
personne actuellement d’âge x soit encore en vie à au bout de k années, i.e.
1 1
k Ex = k
· P(T > x + k|T > x) = · k px
(1 + i) (1 + i)k
1400
1700
● ●●●●●
●●●
●●
●●
● ●
●
●
● ●
●
●
●
1600
● ●
1350
●
● ●
●
● ●
● ●
1500
●
●
●
●
1300
Valeur Actuelle Probable
Valeur Actuelle Probable

●
● ●
●
1400
●
● ●
●
●
●
1250
●
●
1300
● ●
●
●
●
● ●
1200
1200
● ●
●
● ●
●
●
1100
●
●
●
1150
● ●
●
●
● ●
1000
1 2 3 4 5 6 7 20 30 40 50 60
Taux d'actualisation (%) Age de l'assuré
Figure 4.1 – Evolution de la valeur actuelle probable de 20 versements de 100 conditionnels à la

survie de l’assuré d’âge x au premier versement, en fonction du taux d’actualisation (à gauche),
et de l’âge de l’assuré (à droite).
Là encore, k Ex peut être vu comme le terme générique d’une matrice que l’on notera E.
> E <- matrix(0,m,m)
> i <- .035
> for(j in 1:m){
+ E[,j] <- (1/(1+i)^(1:m))*p[,j]
+ }
> E[10,45]
[1] 0.663491
> p[10,45]/(1+i)^10
[1] 0.663491
4.2.2 Exemples d’assurance en cas de vie

Considérons le cas du versement d’une unité monétaire, commençant dès aujourd’hui, et
continuant tant que l’assuré sera vivant. On parlera d’annuité “vie entière”. On supposera l’an-
nuité payable d’avance. On peut noter que
1
X X 1
1
äx = k
· k px = k Ex
(1 + i)
k=0 k=0
Plus généralement, on veut considérer non pas des assurance “vie entière”, mais dites “tem-
poraires”, d’une durée de n années (avec n versements), i.e.
n
X1 X n 1
1
n äx = k k px = k Ex
(1 + i)
k=0 k=0
Le code est alors le suivant :
> adot<-matrix(0,m,m)
> for(j in 1:(m-1)){
+ adot[,j]<-cumsum(1/(1+i)^(0:(m-1))*c(1,p[1:(m-1),j]))
+ }
> adot[nrow(adot),1:5]
[1] 26.63507 26.55159 26.45845 26.35828 26.25351
Notons que l’on peut également di↵érer de h années,
h+n
X1 h+n
X1
1
h|n äx = · k p x = k Ex
(1 + i)k
k=h k=h
A h fixé, on peut construire la matrice adot, contenant les [h|n äx ] (indicé ici en n et x),
> h <- 1
> adoth <- matrix(0,m,m-h)
> for(j in 1:(m-1-h)){
+ adoth[,j]<-cumsum(1/(1+i)^(h+0:(m-1))*p[h+0:(m-1),j])
+ }
> adoth[nrow(adoth),1:5]
[1] 25.63507 25.55159 25.45845 25.35828 25.25351
Dans cet exemple numérique, on décale d’un an, autrement dit, au lieu de considérer des
versements payables d’avance, on considère des versements à terme échu. Classiquement, ces
1|1 äx sont notés ax ,
X1 1
X
1
ax = · k p x = k Ex
(1 + i)k
k=1 k=1
> a<-matrix(0,m,m)
> for(j in 1:(m-1)){
+ a[,j]<-cumsum(1/(1+i)^(1:(m))*p[1:m,j])
+ }
> a[nrow(a),1:5]
[1] 25.63507 25.55159 25.45845 25.35828 25.25351
La dernière ligne de la matrice (présentée ci-dessus) donne les valeurs des annuités “vie entière”
en fonction de l’âge de l’assuré. On retrouve ce qu’aurait donné un calcul direct à l’aide des k Ex
> apply(E,2,sum)[1:5]
[1] 25.63507 25.55159 25.45845 25.35828 25.25351
Pour les nouvelles tables, TGH et TGF, il est possible d’utiliser le code suivant, pour calculer
la valeur d’une rente de 1 euro, versée pendant une durée (avec une distinction suivant que le
versement survient en début ou en fin d’année)
> PRIX <- function(annee=2011,age,sex="HOM",taux=0.04,duree,C=1){
+ an <- annee-age; if(an>2005){an=2005}
+ nom <- paste("X",an,sep="")
+ if(sex=="HOM"){L <- TGH[,nom]}
+ if(sex=="FEM"){L <- TGF[,nom]}
+ Q <- L[(age+1):length(L)]/L[(age+1)]
+ actualisation <- (1+taux)^(0:min(duree,120-age))
+ prixsup <- sum(Q[2:(min(duree,120-age)+1)]/
+ actualisation[2:(min(duree,120-age)+1)] )
+ prixinf <- sum(Q[1:(min(duree,120-age))]/
+ actualisation[1:(min(duree,120-age))] )
+ return(C*c(prixinf,prixsup))}
> PRIX(age=45,duree=20)
[1] 13.95699 13.39479
Cette fonction permet d’avoir le prix de la rente versée en début d’année en cas de vie, ou
en fin d’année.
4.2.3 Exemples d’assurance en cas de décès

Comme précédemment, le cas le plus simple est probablement l’assuranc décès vie entière,
dont la valeur actuelle probable s’écrit, pour un assuré d’âge x qui souhaite le versement d’une
unité à la fin de l’année de son décès,
✓ ◆Tx +1 ! X 1 ✓ ◆Tx +1 ! 1
X
1 1 1
Ax = E = E Tx = k = · k 1 px · 1 qx+k 1 .
1+i 1+i (1 + i)k
k=0 k=1
Plus générallement, on peut définir une assurance “temporaire décès”, où le versement du capital
n’a lieu que si le décès survient dans les n années qui suivent la signature du contrat,
n
X 1
n Ax = ·k 1 px · 1 qx+k 1.
(1 + i)k
k=1
En utilisant la matrice d définie auparavant, et ⌫ = (1 + i) 1 le facteur d’actualisation, on a

alors
> A<- matrix(NA,m,m-1)
> for(j in 1:(m-1)){
+ A[,j]<-cumsum(1/(1+i)^(1:m)*d[,j])
+ }
> Ax <- A[nrow(A),1:(m-2)] ⇣ ⌘
On peut alors visualiser ces fonctions, et aussi comparer E ⌫ 1+Tx avec ⌫ 1+E(Tx ) si on
considère des versements à terme échu (qui pourraient être vu comme des approximations de
ce montant). Afin de faciliter les calculs, on peut utiliser une version vectorisée de la fonction
esp.vie,
> EV <- Vectorize(esp.vie)
On peut alors visualiser la di↵érence sur la figure 4.2
> plot(0:105,Ax,type="l",xlab="Age",lwd=1.5)
> lines(1:105,v^(1+EV(1:105)),col="grey")
> legend(1,.9,c(expression(E((1+r)^-(Tx+1))),expression((1+r)^-(E(Tx)+1))),
+ lty=1,col=c("black","grey"),lwd=c(1.5,1),bty="n")
A partir de ces contrats de base, il est possible de calculer toutes les valeurs actuelles pro-
bables de flux futurs aléatoires.
4.3 Calculs de provisions mathématiques

En assurance-vie, les engagements de l’assuré et de l’assureur sont, le plus souvent, répartis
dans le temps sur de longues périodes. Pour les rentes par exemple, l’assuré paye ses primes (du-
rant plusieurs années de cotisation), et ensuite seulement l’assureur verse une rente. Il y a alors
1.0
E((1 + r)−(Tx+1))
(1 + r)−(E(Tx)+1)
0.8
0.6
Ax
0.4
0.2
0 20 40 60 80 100
Age
⇣ ⌘
Figure 4.2 – Comparison de x 7! Ax = E ⌫ 1+Tx et ⌫ 1+E(Tx ) .
un décalage entre les prime payée par l’assurée et la couverture du risque par l’assureur, décalage
qui doit être présenté dans les comptes annuels, intégrant les prévisions de dépenses constituées
sous forme de “provisions” (dites mathématiques). Pour reprendre la définition de Petauton
(2004) et du Code des Assurances, les provisions mathématiques sont “à l’époque de l’évaluation
la di↵érence entre d’une part la valeur actuelle probable des engagements pris par l’assureur [...]
et d’autre part la valeur actuelle probable des engagements pris par les souscripteurs”.
Notons V AP[tt01 ,t2 ] (assuré) la valeur actuelle probable, en t0 , des engagements de l’assuré
0 (assuré) sera la valeur actuelle probable, en 0, des k
pour la période [t1 , t2 ]. Aussi, V AP[0,k]
premières primes annuelles. Et on notera V AP[k+1,n] 0 (assuré) la valeur actuelle probable, en 0,
des engagements de l’assuré pour la période [k + 1, n], i.e. la valeur actuelle probable des n k
dernières primes annuelles.
De manière analogue, notons V AP[tt01 ,t2 ] (assureur) la valeur actuelle probable, en t0 , des
engagements de l’assureur pour la période [t1 , t2 ]. Compte tenu du principe fondamental de
valorisation 1 , pour un contrat arrivant à échéance au bout de n années, on doit avoir
0 0
V AP[0,n] (assuré) = V AP[0,n] (assureur)
pour un contrat soucrit à la date 0 et tel qu’il n’y a plus d’engagement de part et d’autre part
n années. Aussi, pour k compris entre 0 et n,
0 0 0 0
V AP[0,k] (assuré) + V AP[k+1,n] (assuré) = V AP[0,k] (assureur) + V AP[k+1,n] (assureur)
avec, de manière générale
0 0
V AP[0,k] (assuré) V AP[0,k] (assureur)
1. Tous les calculs sont nets, au sens où aucune marge de sécurité n’est considérée, et qu’aucun frais n’est prélevé
afin de permettre à la compagnie de fonctionner. À la souscription, la valeur actuelle probable des engagements
de l’assuré doit être égale à la valeur actuelle probable des engagements de l’assureur.
et
0 0
V AP[k+1,n] (assuré)  V AP[k+1,n] (assureur)
(d’où le principe d’inversion du cycle de production de l’assurance). La provision mathématique
(pure) de l’année k sera notée k Vx (t) si elle est actualisée à la date t. La référence étant k Vx =
k Vx (k) (i.e. on actualise en k). On définie k Vx (0) par
0 0
k Vx (0) = V AP[0,k] (assuré) V AP[0,k] (assureur).
Cette définition sera dite rétrospective (car on se place sur la période antérieure à k). On peut
aussi écrire, de manière équivalente (compte tenu du principe de valorisation)
0 0
k Vx (0) = V AP[k+1,n] (assureur) V AP[k+1,n] (assuré).
Cette définition sera dite prospective (car on se place sur la période postérieure à k). Enfin, il
existe une dernière méthode, correspondant à une simple mise à jour, i.e.
k 1 Vx (k 1) + V AP[kk 1
1,k] (assuré) V AP[kk 1
1,k] (assureur) = k Vx (k 1).
Cette méthode sera dite itérative, voire en l’occurence itérative ascendante, car on initialise
avec 0 Vx (0) = 0. Mais il sera aussi possible de construire une méthode itérative descendante,
commençant à la fin du contrat (ici la récursion est ascendante).
4.3.1 Exemple d’une assurance temporaire décès

Le principe fondamental de valorisation nous garantit que
V AP 0 (assuré) = V AP 0 (assureur)
en faisant une valorisation à la date 0, c’est à dire à la date de souscription du contrat.
Plaçons nous du point de vue de l’assuré (d’âge x à la souscription) : il souhaite payer une
prime annuelle constante ⇡n,x , noté plus simplement ⇡, tant qu’il est en vie i.e.
n
X1 ⇡
V AP 0 (assuré) = · P(Tx > k) = ⇡ · n äx ,
(1 + i)k
k=0
où
n
X1 1
n äx = · k px ,
(1 + i)k
k=0
(on utilise ici ä car le paiement se faisant ici en début de période). De même,
n
X 1
V AP 0 (assureur) = · P(k 1 < Tx  k) = n Ax ,
(1 + i)k
k=1
où
n
X 1
n Ax = ·k 1 px · 1 qx+k 1,
(1 + i)k
k=1
(l’indemnité étant versée par l’assureur à terme échu). On en déduit que la prime annuelle est
alors
n Ax
⇡= .
n äx
À partir des grandeurs (ou de ces matrices de grandeurs) calculées auparavant, on peut
calculer la prime annuelle des contrats décès
> x <-50; n <-30
> prime <-A[n,x]/adot[n,x]
> sum(prime/(1+i)^(0:(n-1))*c(1,p[1:(n-1),x]))
[1] 0.3047564
> sum(1/(1+i)^(1:n)*d[1:n,x])
[1] 0.3047564
La méthode prospective
Pour le calcul de la provision mathématique du contrat d’assurance “temporaire décès”, la
méthode prospective permet d’écrire
0 0
k Vx (0) = V AP[k+1,n] (assureur) V AP[k+1,n] (assuré)
Notons que k Vx (0) = k Vx (k) · k Ex où k Ex est la valeur actuelle probable d’un capital di↵éré,
relatif au versement d’un euro dans k années, conditionnée par la survie de l’assuré d’âge x à la
souscription, i.e.
1
k Ex = · P(Tx > k) = ⌫ k · k px
(1 + i)k
Si l’on se place à la date k (car c’est le plus simple, mais l’assuré a alors l’âge x + k), notons
que la di↵érence entre les valeurs actuelles probables des engagements des deux parties donne,
simplement
k Vx (k) = n k Ax+k ⇡ · n k äx+k
car d’un côté, on a une assurance “temporaire décès” sur les n k années restantes pour un
assuré d’âge x + k, et de l’autre, l’assuré a pris l’engagement de verser sa prime (qui reste
inchangée) pendant n k années s’il vit. Aussi,
k Vx (0) = k Vx (k) · k Ex = k|n k Ax ⇡ · k|n k äx
où l’on considère des assurances décès di↵érées. On peut aussi écrire
k|n k Ax ⇡ · k|n k äx

k Vx (k) =
k Ex
> VR <- (prime*adot[1:n,x]-A[1:n,x])/E[1:n,x]

> plot(0:n,c(0,VR),xlab="",ylab="Provisions mathématiques",type="b")
La méthode retrospective
Pour la méthode rétrospective, on écrit simplement
0 0
k Vx (0) = V AP[0,k] (assuré) V AP[0,k] (assureur)
i.e. k Vx (k) = ⇡ k äx k Ax . Or k Vx (0) = k Vx (k) · k Ex , et donc

⇡ k äx k Ax
k Vx (k) = .
k Ex
> VP <- diag(A[n-(0:(n-1)),x+(0:(n-1))])-

+ primediag(adot[n-(0:(n-1)),x+(0:(n-1))])
> points(0:n,c(VP,0),pch=4)
La méthode itérative
Enfin, pour la dernière méthode, l’idée est ici de décrire la variation de la provision mathématique
entre deux dates en fonction des variations des engagements de part et d’autre. D’un côté il y
a le paiement de la prime (en début de période, donc pas de problème d’actualisation et de
non-paiement), et de l’autre, une assurance décès sur un an. Aussi k Vx (k 1) = k 1 Vx (k 1) +
⇡ 1 Ax+k 1 . Or k Vx (k 1) = k Vx (k) · 1 Ex+k 1 ce qui donne, finalement
k 1 Vx (k 1) + ⇡ 1 Ax+k 1
k Vx (k) =
1 Ex+k 1
avec la convention que la première provision est nulle (de part notre principe fondamental de
valorisation).
> VI<-0
> for(k in 1:n){
+ VI <- c(VI,(VI[k]+prime-A[1,x+k-1])/E[1,x+k-1])
+ }
> points(0:n,VI,pch=5)
Comme le montre la Figure 4.3, ces trois méthodes coı̈ncident (on ne distingue plus les trois
points),
0.20
● ●
● ●
● ●
●
●
●
● ●
●
0.15
● ●
●
Provisions mathématiques
●
●
●
0.10
●
●
●
●
0.05
● ●
●
0.00
● ●
0 5 10 15 20 25 30
Figure 4.3 – Évolution de la provision mathématique pour un contrat d’assurance “temporaire

décès”, x = 50, n = 30 et i = 3.5%.
4.3.2 Exemple d’une assurance en cas de vie

On considère ici un assuré d’âge x, cotisant pendant m années pour sa retraite, et touchant
au bout de n années de cotisation une rente annuelle d’un montant C, payé tous les ans à
terme échu s’il est en vie, jusqu’à son décès (i.e. une annuité viagère). La prime pure unique
(correspondant à la valeur actuelle probable des engagements de l’assureur) serait
1
X C
⇧ = V AP0 = Pr(Tx > j),
(1 + i)j
j=n
soit, avec les notations actuarielles, V AP0 = C · n| ax (i.e. la valeur actuelle probable d’une
annuité viagère di↵érée de n années). Si l’assuré paye une prime annuelle constante pendant ces
n années, en début d’année, alors la prime est
V AP0 n| ax
⇡= =C·
n äx n äx
On peut alors passer au calcul de la provision mathématique, en notant qu’il faudra distinguer
les n premières années (période où l’assuré paye sa prime) et les dernières (période où l’assureur
verse la rente). Pour le calcul des n| ax , on va utiliser la matrice adiff
> adiff=matrix(0,m,m)
> for(i in 1:(m-1)){
+ adiff[(1+0:(m-i-1)),i] <- E[(1+0:(m-i-1)),i]*a[m,1+i+(0:(m-i-1))]
+ }
La prime annuelle peut être calculée de plusieurs manières pour une personne souscrivant
un contrat à x = 35 ans.
> x <- 35
> n <- 30
> a[n,x]
[1] 17.31146
> sum(1/(1+i)^(1:n)*c(p[1:n,x]) )
[1] 17.31146
> (prime <- adiff[n,x] / (adot[n,x]))
[1] 0.1661761
> sum(1/(1+i)^((n+1):m)*p[(n+1):m,x] )/sum(1/(1+i)^(1:n)*c(p[1:n,x]) )
[1] 0.17311
Une fois obtenue la cotisation à payer (annuellement) pendant n année (notée prime), on peut
calculer les provisions mathématiques, en distinguant la période de cotisation (où la provision
devrait augmenter avec le temps) de la période de retraite (où la provision devrait baisser).
Méthode prospective
On se place ici au bout de k années. Si k < n (l’assuré paye encore sa prime), en faisant la
di↵érence entre les engagements restants de l’assureur et ceux de l’assuré, on obtient
k Vx (0) =C ·n k| ax+k n k äx+k .
Si en revanche on suppose que k n (seul l’assureur a encore des engagements) alors
k Vx (0) = C · ax+k .
Tout simplement. En e↵et, dans le premier cas, l’assuré a vieilli, et il a moins de versements à
venir (c’est la partie de droite). Pour l’assureur, il s’agit toujours d’une annuité di↵érée. Dans
le second cas, l’assureur doit verser une rente viagère tant que l’assuré est en vie.
> VP <- rep(NA,m-x)
> VP[1:(n-1)] <- diag(adiff[n-(1:(n-1)),x+(1:(n-1))] -
+ adot[n-(1:(n-1)),x+(1:(n-1))]*prime)
> VP[n:(m-x)] <- a[m,x+n:(m-x)]
> plot(x:m,c(0,VP),xlab="Age de l’assuré",
+ ylab="Provisions mathématiques")
Méthode rétrospective
Là aussi, il faut distinguer suivant la valeur de k. Si k  n, on obtient simplement que
⇡ · k äx
k Vx (0) =
k Ex
puisque sur cette période, seul l’assuré a pris des engagements. Pour rappel, k Ex est la valeur
actuelle probable du capital di↵féré, i.e.
k px
k Ex = .
(1 + i)k
Pour la seconde période, si k > n,
⇡ · n äx C · n|k ax
k Vx (0) =
k Ex
avec à gauche un terme constant (les engagements de l’assuré étant passés), et à droite les
engagements qu’avait pris l’assureur, i.e. les k n années qui ont suivi l’année n.
Pour les calculs, on utilise le fait que
n+k
X
n|k ax = j Ex = n| ax n+k| ax
j=n+1
On peut alors utiliser (comme l’indice x ne change pas) une matrice fonction des deux
premiers indices,
> adiff[n,x]
[1] 2.996788
> adiff[min(which(is.na(adiffx[,n])))-1,n]
[1] 2.996788
> adiff[10,n]
[1] 2.000453
> adiff[n,x]- adiff[n+10,x]
[1] 2.000453
A l’aide de ces fonctions, on peut calculer les provisions de manière retrospective,
> VR <- rep(NA,m-x)
> VR[1:(n)] <- adot[1:n,x]*prime/E[1:n,x]
> VR[(n+1):(m-x)] <- (adot[n,x]*prime - (adiff[(n),x]-
+ adiff[(n+1):(m-x),x]) )/E[(n+1):(m-x),x]
> points(x:m,c(0,VR),pch=4)
Méthode itérative
Pour la méthode itérative, on notera que si k  n,
k 1 Vx (0) +⇡
k Vx (0) =
1 Ex+k 1
alors que si k > n

k 1 Vx (0)
k Vx (0) = C.
1 Ex+k 1
Avant la retraite, la provision augmente du montant de la prime, et lorsque l’assuré prend sa

retraite, la provision diminue du montant de la rente annuelle versée.
> VI<-0
> for(k in 1:n){
+ VI<-c(VI,((VI[k]+prime)/E[1,x+k-1]))
+ }
> for(k in (n+1):(m-x)){
+ VI<-c(VI,((VI[k])/E[1,x+k-1]-1))
+ }
> points(x:m,VI,pch=5)
Comme auparavant, les trois méthodes donnent des résultats identiques, et on peut visualiser
l’évolution de la provision mathématique sur la Figure 4.4
> provision<-data.frame(k=0:(m-x),
+ retrospective=c(0,VR),prospective=c(0,VP),
+ iterative=VI)
> head(provision)
k retrospective prospective iterative
1 0 0.0000000 0.0000000 0.0000000
2 1 0.1723554 0.1723554 0.1723554
3 2 0.3511619 0.3511619 0.3511619
4 3 0.5367154 0.5367154 0.5367154
5 4 0.7293306 0.7293306 0.7293306
6 5 0.9293048 0.9293048 0.9293048
> tail(provision)
k retrospective prospective iterative
69 68 0.6692860 0.6692860 6.692860e-01
70 69 0.5076651 0.5076651 5.076651e-01
71 70 0.2760524 0.2760524 2.760525e-01
72 71 0.0000000 0.0000000 1.501743e-10
73 72 NaN 0.0000000 Inf
74 73 NaN 0.0000000 Inf
4.4 Algorithme récursif en assurance-vie

Giles (1993) a noté que, comme la plupart des quantitées utilisés en assurance vie pouvaient
être obtenues de manière récursive, il était possible d’utiliser des algorithmes sur les suites
définies par récurrence, pour calculer la plupart des grandeurs usuelles.
●
●
10
● ●
●
● ●
●
●
●
● ●
8
●
●
●
Provisions mathématiques
● ●
●
●
●
●
6
●
● ●
● ●
●
●
●
●
●
● ●
4
● ●
● ●
●
● ●
● ●
● ●
●
● ●
● ●
2
●
● ●
● ●
● ●
●
● ●
● ●
●
● ●
●
● ●
● ●
●
● ● ● ●
0
40 60 80 100
Age de l'assuré
Figure 4.4 – Évolution de la provision mathématique pour un contrat d’assurance retraite,

avec cotisation annuelle pendant n années puis versement d’une rente viagère, x = 35, n = 30
et i = 3.5%.
4.4.1 Quelques exemples de relations de récurrence

En notant k| qx = P(k < Tx  k + 1), la probabilité de décèder à l’âge x + k, la valeur actuelle
probable d’un euro payé au décès d’une personne d’âge x aujourd’hui (à terme échu), s’écrit :
1
X
Ax = E(⌫ Tx +1 ) = v k+1 k| qx .
k=0
On notera qu’il existe une relation liant Ax et Ax+1 ,
Ax = ⌫qx + ⌫px Ax+1
Considérons maintenant une rente vie entière :
X1
äx = ⌫ k k px ,
k=0
qui peut se limiter également à n années :
n
X1 1 Ax:nq
äx:nq = ⌫ k k px = o ù Ax:nq = ⌫ n n px
1 ⌫
k=0
Si l’on considère des paiements immédiats, et non plus à terme échu, on obtient
n
X
ax:nq = ⌫ k k px = äx:nq 1 + ⌫ n n px .
k=1
Dans le cas où on ne limite plus à n années, on a aussi :
äx = 1 + ⌫px äx+1 .
4.4.2 Algorithme de calculs itératifs
Les formules obtenues par récurrence sont particulièrement intéressants, car il est facile de
les mettre en oeuvre. Supposons que u = (un ) satisfasse une équation de la forme
un = an + bn un+1 ,
pour n = 1, 2, · · · , m de telle sorte que um+1 est connu, où a = (an ) et b = (bn ) sont connus. La
solution générale est alors donnée par
Q Pm Qj 1
um+1 m i=0 bi + j=n aj i=0 bi
un = Qn 1
i=0 bi
avec la convention b0 = 1. On peut utiliser le code générique suivant pour résoudre numériquement
de telles relations de récurrence,
> recurrence <- function(a,b,ufinal){
+ s <- rev(cumprod(c(1, b)));
+ return(rev(cumsum(s[-1] * rev(a))) + s[1] * ufinal)/rev(s[-1])
+ }
Par exemple pour les calculs d’espérance de vie,
ex = px + px · ex+1
Le code est alors tout simplement,
> Lx <- TD$Lx
> x <- 45
> kpx <- Lx[(x+2):length(Lx)]/Lx[x+1]
> sum(kpx)
[1] 30.32957
> esp.vie(x)
[1] 30.32957
> px <- Lx[(x+2):length(Lx)]/Lx[(x+1):(length(Lx)-1)]
> e<- recurrence(px,px,0)
> e[1]
[1] 30.32957
On retrouve la même espérance de vie restante pour une personne de 45 ans que le calcul
direct, sauf qu’ici on a le vecteur des espérances de vie résiduelles à di↵érents âges.
Pour les calculs de valeur actuelle probable, on peut regarder une assurance décès, avec un
payement à terme échu, l’année du décés de l’assuré,
Ax = ⌫qx + ⌫px Ax+1
Là encore, on peut utiliser l’écriture par récurrence,
> x <- 20
> qx <- 1-px
> v <- 1/(1+i)
> Ar <- recurrence(a=v*qx,b=v*px,xfinal=v)
Si on regarde la valeur de Ax pour x = 20,
> Ar[1]
[1] 0.1812636
> Ax[20]
[1] 0.1812636
Pour les calculs de provisions mathématiques
n Vx = vqx+n px + vpx+nn+1 Vx
> x <- 50
> px <- L[(x+2):length(L)]/L[(x+1):(length(L)-1)]
> px <- px[-length(px)]
> qx <- 1-px
> V=recurrence(a=v*qx+px[1],b=v*px,xfinal=0)
4.5 Le package lifecontingencies

Toutes ces fonctions - ou presque - ont été programmées dans le package lifecontingencies.
4.5.1 Les quantités démographiques

> library(lifecontingencies)
A partir de TD$Lx correspondant au vecteur (Lx ), il est possible de calculer à l’aide de la

classe lifetable une table de mortalité, comportant pour tous les âges x les probabiliés de
survie px , mais aussi les espérances de vie résiduelles ex .
> TD8890 <- new("lifetable",x=TD$Age,lx=TD$Lx,name="TD8890")

removing NA and 0s
> TV8890 <- new("lifetable",x=TV$Age,lx=TV$Lx,name="TV8890")
removing NA and 0s
> TV8890
Life table TV8890
x lx px ex
1 0 100000 0.9935200 80.2153857
2 1 99352 0.9994162 79.2619494
3 2 99294 0.9996677 78.2881343
4 3 99261 0.9997481 77.3077311
5 4 99236 0.9997783 76.3247626
6 5 99214 0.9997984 75.3400508
7 6 99194 0.9998286 74.3528792
8 7 99177 0.9998387 73.3647956
9 8 99161 0.9998386 72.3765545
10 9 99145 0.9998386 71.3881558
Cet objet (de la classe S4) peut alors être appelé en utilisant di↵érentes fonctions, comme la
probabilité de survie 10 p40 ,
> pxt(TD8890,x=40,t=10)
[1] 0.9581196
> p[10,40]
[1] 0.9581196
qui correspondent aux calculs e↵ectués auparavant.
Plusieurs autres fonctions peuvent être utilisées pour calculer d’autres quantités, comme
10 q40 , ou encore e40:10q ,
> qxt(TD8890,40,10)
[1] 0.0418804
> exn(TD8890,40,10)
[1] 9.796076
Il est aussi possible de calculer des h px pour des durées h non entières. Plusieurs interpolations
sont proposées, linéaire, avec une force de mortalité constante, ou encore hyperbolique,
> pxt(TD8890,90,.5,"linear")
[1] 0.8961018
> pxt(TD8890,90,.5,"constant force")
[1] 0.8900582
> pxt(TD8890,90,.5,"hyperbolic")
[1] 0.8840554
On peut visualiser ces trois méthodes d’interpolation sur la Figure 4.5
> pxtL <- function(u){pxt(TD8890,90,u,"linear")}
> pxtC <- function(u){pxt(TD8890,90,u,"constant force")}
> pxtH <- function(u){pxt(TD8890,90,u,"hyperbolic")}
> PXTL <- Vectorize(pxtL)
> PXTC <- Vectorize(pxtC)
> PXTH <- Vectorize(pxtH)
> u=seq(0,1,by=.025)
> plot(u,PXTL(u),type="l",xlab="Année",ylab="Probabilité de survie")
> lines(u,PXTC(u),col="grey")
> lines(u,PXTH(u),pch=3,lty=2)
> legend(.45,.99,c("Linéaire","Force de mortalité constante",
+ "Hyperbolique"),lty=c(1,1,2),
+ col=c("black","grey","black"),bty="n")
Pour le premier, on utilise tout simplement une interpolation linéaire entre [h] px et [h]+1 px
(en notant [h] la partie entière de h 0),
h p̃x = (1 h + [h]) [h] px + (h [h]) [h]+1 px
Pour le second, on utilise le fait que

✓ Z h ◆
h px = exp µx+s ds .
0
Supposons que h 2 [0, 1), et que s !

7 µx+s est constante sur l’intervalle [0, 1), alors la formule
précédante devient
✓ Z h ◆
h px = exp µx+s ds = exp[ µx · h] = (px )h .
0
Enfin, la dernière (toujours dans le cas où h 2 [0, 1)), proposée par Baldacci, repose sur l’utili-
sation d’une relation de la forme
1 1 h + [h] h [h]
= +
p
h x p
[h] x [h]+1 px
1.00
●
Linéaire
Force de mortalité constante
Hyperbolique
0.95
Probabilité de survie
0.90
0.85
0.80
0.0 0.2 0.4 0.6 0.8 1.0
Année
Figure 4.5 – Interpolation de h px pour x = 90 et h 2 [0, 1].
Cette relation peut également s’écrire

[h]+1 px
h px =
1 (1 h + [h]) [h+1]h qx
> .5*pxt(TD8890,90,1)+.5*1
[1] 0.8961018
> pxt(TD8890,90,1)^.5
[1] 0.8900582
> pxt(TD8890,90,1)/(1-.5*qxt(TD8890,90,1))
[1] 0.8840554
> (.5/1+.5/pxt(TD8890,90,1))^(-1)
[1] 0.8840554
On peut aussi travailler sur plusieurs têtes, par exemple un homme (dont la table est TD88-
90) et une femme (dont la table est TV88-90). On peut alors calculer des probabilités de survie
jointe, h pxy , ou ‘au contraire’ la probabilité qu’au moins une personne soit encore en vie h pxy ,
> pxyt(TD8890,TV8890,x=40,y=42,t=10,status="joint")
[1] 0.9376339
> pxyt(TD8890,TV8890,x=40,y=42,t=10,status="last")
[1] 0.9991045
On peut aisément retrouver des propriétés classiques, comme
h pxy = h px · h p y ,
(en supposant les survies indépendantes) mais aussi
h pxy = h px + h py h pxy .
> pxt(TD8890,40,10)*pxt(TV8890,42,10)
[1] 0.9376339
> pxt(TD8890,40,10)+pxt(TV8890,42,10)-
+ pxyt(TD8890,TV8890,x=40,y=42,t=10,status="joint")
[1] 0.9991045
Pour l’analyse de la survie sur deux têtes, on peut ainsi visualiser les fonctions de survie des
durées restantes avant le premier et le dernier décès, sur la Figure 4.6
> JOINT=rep(NA,65)
> LAST=rep(NA,65)
> for(t in 1:65){
+ JOINT[t]=pxyt(TD8890,TV8890,x=40,y=42,t-1,status="joint")
+ LAST[t]=pxyt(TD8890,TV8890,x=40,y=42,t-1,status="last") }
> plot(1:65,JOINT,type="l",col="grey",xlab="",ylab="Probabilité de survie")
> lines(1:65,LAST)
> legend(5,.15,c("Dernier survivant","Vie jointe"),lty=1,
+ col=c("black","grey"),bty="n")
1.0
0.8
Probabilité de survie
0.6
0.4
0.2
Dernier survivant
Vie jointe
0.0
0 10 20 30 40 50 60
Figure 4.6 – Evolution de h 7! h pxy et h 7! h pxy pour x = 40 et y = 42.
On peut également obtenir les espérances de ces deux lois,
> exyt(TD8890,TV8890,x=40,y=42,status="joint")
[1] 30.39645
> exyt(TD8890,TV8890,x=40,y=42,status="last")
[1] 44.21737
4.5.2 Les quantités actuarielles classiques

La valeur probable d’un capital di↵éré est k Ex , qui peut être calculé par
> Exn(TV8890,x=40,n=10,i=.04)
[1] 0.6632212
> pxt(TV8890,x=40,10)/(1+.04)^10
[1] 0.6632212
Les calculs d’annuités sont eux aussi relativement simples à obtenir, et à recalculer, par
exemple les n äx
> Ex <- Vectorize(function(N){Exn(TV8890,x=40,n=N,i=.04)})

> sum(Ex(0:9))
[1] 8.380209
> axn(TV8890,x=40,n=10,i=.04)
[1] 8.380209
ou encore les n Ax ,
> Axn(TV8890,40,10,i=.04)
[1] 0.01446302
Il est aussi possible d’avoir des flux croissants (Increasing) ou décroissants (Decreasing) de
manière arithmétique, i.e.
n
X1 k+1
n IAx = ·k 1 px · 1 qx+k 1,
(1 + i)k
k=0
ou
n
X1 n k
n DAx = ·k 1 px · 1 qx+k 1,
(1 + i)k
k=0
> DAxn(TV8890,40,10,i=.04)
[1] 0.07519631
> IAxn(TV8890,40,10,i=.04)
[1] 0.08389692
Dans le cas où le capital n’est pas versé en début d’années, mais fractionné (par exemple
tous les mois), les calculs sont un peu di↵érents. Par exemple, si on ne verse plus 1 (euro) en
début d’année, mais 1/12 tous les mois, la valeur actuelle probable des flux futurs est
> sum(Ex(seq(0,5-1/12,by=1/12))*1/12)
[1] 4.532825
Ce montant est obtenu directement à l’aide du paramètre k dans la fonction axn,
> axn(TV8890,40,5,i=.04,k=12)
[1] 4.532825
4.5.3 Exemple de calculs de primes et de provisions mathématiques
Considérons un contrat d’assurance décès où un capital K est versé aux ayant-droits si le
décès d’une personne x survient entre l’âge x et x + m. On suppose qu’une prime constante est
versée annuellement entre l’âge x et x + n (avec n  m). La prime ⇡ est alors solution de
Ax:mq
K · Ax:mq = ⇡ · äx:nq , i.e. ⇡ = K · .
äx:nq
Ainsi, si un personne de x = 35 ans souhaite un contrat assurant le versement d’un capital
de K = 100000 à son décès s’il survient avant qu’il n’ait 75 ans, et qu’il verse une prime constant
jusqu’à ses 75 ans (au plus, il ne verse plus de prime s’il décède), alors la prime est donnée par
> (p <- 100000*Axn(TV8890,35,40,i=.04)/axn(TV8890,35,40,i=.04))

[1] 366.3827
On parle ici classiquement de benefit premium. On peut également calculer la provision

mathématique associée à ce contrat, i.e. benefit reserve. On se placera dans le cas où m = n. La
provision est donnée, à la date k, comprise entre 0 et n par
k Vx = K · Ax+k:n k| ⇡ · äx+k:n k|
(en écriture prospective).
> V <- Vectorize(function(k){100000*Axn(TV8890,35+k,40-k,i=.04)-

+ p*axn(TV8890,35+k,40-k,i=.04)})
> V(0:5)
[1] 0.0000 290.5141 590.8095 896.2252 1206.9951 1521.3432
La Figure 4.7 permet de visualiser l’évolution de la provision

> plot(0:40,c(V(0:39),0),type="b",ylab="provisions mathématiques",xlab="k")
4.6 Exercices
Exercise 4.6.1. Le modèle de Gompertz suppose que la fonction de survie associée à une vie
humaine pouvait s’écrire
x
Lx =  c .
A partir des tables TV88-90 et TD88-90, et de 10 p50 , 10 p60 et 10 p70 , proposer des estimateurs
des paramètres , c et .
2
Exercise 4.6.2. On suppose que µx = a+bcx dx . Construire une fonction permettant de calculer
k px .
Exercise 4.6.3. Montrer qu’il existe une relation de récurence sur les IAx:nq . En utilisant
l’algorithme présenté dans la Section 4.4, les calculer.
Exercise 4.6.4. On supposera que les durées de vie résiduelles ne sont plus indépendentes, mais
que
t pxy = P(Tx > t, Ty > t) = C(t px , t py )
où C est une copule. Pour les tables TV88-90 et TD88-90, et pour des assurés d’âge x = 40 et
y = 45, tracer
● ● ●
●
● ●
● ●
●
●
●
●
●
●
●
6000
●
●
● ●
●
provisions mathématiques
● ●
4000
●
●
●
●
2000
● ●
● ●
0
0 10 20 30 40
Figure 4.7 – Evolution de h 7! h pxy et h 7! h pxy pour x = 40 et y = 42.
1. la prime d’une rente de veuvage (versée entre le premier et le dernier décès, à terme échu)
en fonction de ✓ où C✓ est une copule Gaussienne
2. la prime d’une rente de veuvage en fonction de ✓ où C✓ est une copule de Clayton
3. la prime d’une rente de veuvage en fonction de ✓ où C✓ est une copule de Gumbel
Exercise 4.6.5. Considérons une assurance de prêt : un individu d’âge x a emprunté un capital
d’un montant C et s’est engagé à le rembourser en n annuitiés de montant ⇢, payables à terme
échu. On suppose qu’à la date de prise d’e↵et du contrat de prêt, il souscrit une assurance
garantissant un remboursement des sommes restant dues si l’assuré décède avant d’avoir atteint
l’âge +n. On notera t le taux d’intérêt du prêt (qui est a priori di↵érent du taux d’actualisation
i).
1. Exprimer t en fonction de C, de r et de n. Ecrire la fonction permettant de calculer ce
taux.
2. On note Ck le capital restant dû à la fin de la kème année, montrer que
(1 + t)k 1
Ck = C (r tC)
t
Ecrire la fonction renvoyant le vecteur de ces capitaux (C, C1 , · · · , Cn ).
3. Montrer que la prime pure unique du contrat d’assurance s’écrit
n
X 1
⇡= k 1 px · 1 qx+k 1 Ck 1
(1 + i)k
k=1
Écrire une fonction permettant de calculer cette prime en fonction de l’âge de l’assuré x,
du taux d’actualisation i, de la table de mortalité retenue L, du capital C, de la durée du
prêt n et du taux du prêt t.
4. En supposant que la prime d’assurance soit payée annuellement (et est constante dans le
temps), pendant m années (1  m  n), et en notant que la prime annuelle s’écrit ⇡/m äx ,
calculer la provision mathématique par une des trois méthodes (prospective, rétrospective
ou recursive).
5. En supposant que la prime d’assurance n’est pas plus constante dans le temps, mais pro-
portionnelle au capital restant du (payée aux dates 0, 1, ..., n 1) montrer que la prime
est
⇡Ck
⇡k = Pn 1 .
k
j=0 k px Ck (1 + i)
Ecrire une fonction renvoyant le vecteur des primes, et représenter graphique l’évolution
de la provision mathématique.
Exercise 4.6.6. Representer l’évolution des provisions mathématiques pour un contrat avec
capital di↵éré (de n années pour un assuré d’âge x) avec contre-assurance, au sens où l’assureur
rembourse les primes en cas de décès avant l’échéance.
Chapitre 5
Les tables prospectives
De même que le provisionnement (évoqué dans le chapitre 3) posait le problème de la dy-

namique de la vie des sinistres (dont le montant n’est pas connu le jour de la survenance du
sinistre), les contrats d’assurance-vie sont liés à des probabilités de décès (ou de survie) dans un
futur plus ou moins lointain. Ces calculs doivet donc faire intervenir un aspect temporel. Par
exemple, lorsque nous écrivions la formule
k+h px = h px+k · k px ,
nous omettons le fait que les probabilités ne devraient pas être calculées à la même date. Si la
personne est d’âge x à la date t, elle aura un âge x + k à la date t + k. Par exemple, en notant
en puissance l’année où la probabilité est calculée, on aurait
(2010) (2035)
25+25 px = 25 px+25 · 25 p(2010)
x ,
ou
(2010) (2045)
35+15 px = 15 px+35 · 35 p(2010)
x .
Si k est elevé, on imagine que les probabilités de survie doivent tenir compte des améliorations
de santé, notamment les conditions de vie, les avancées en médecine. Pour des compléments
théoriques sur les outils présentés ici, nous renvoyons à Pitacco et al. (2009), Denuit & Robert
(2007) ou encore Cairns et al. (2008)
5.1 Les bases de données prospectives

Dans le cadre statique de l’assurance-vie, détaillé dans le Chapitre 4, toutes les grandeurs
pouvaient être construites à partir des Lx , ou des 1 px , où x était l’âge des individus. Ici, nous
allons intégrer la dimension temporelle, en notant qu’une table de mortalité est construite à une
date t. Aussi, formellement, on notera Lx,t le nombre de personnes d’âge x en vie à la date t.
Les données que nous allons utilisées sont tirées du site internet http://www.mortality.org, et
il s’agit de données françaises, avec respectivement la mortalité des femmes, des hommes, et de
l’ensemble de la population, entre 1899 et 2005. Ici on dispose de Dx,t le nombre de personnes
décédées à l’âge x l’année t (la base Deces), et Ex,t l’exposition (la base Expo). Un léger travail
sur les données du site est nécessaire (car un âge 110+ existe dans la base est rend les âges non
numériques),
> Deces$Age <- as.numeric(as.character(Deces$Age))
> Deces$Age[is.na(Deces$Age)] <- 110
159
> Expo$Age <- as.numeric(as.character(Expo$Age))
> Expo$Age[is.na(Expo$Age)] <- 110
Pour commencer, on peut visualiser l’évolution de la surface du taux de mortalité, afin de
mieux comprendre la nécessité d’une analyse dynamique de la démographie, où
Dx,t
µx,t = .
Ex,t
L’évolution de cette surface est repésentée sur la Figure 5.1, avec (x, t) 7! log µx,t .
> MU <- Deces[,3:5]/Expo[,3:5]
> Ages <- unique(Deces$Age)
> Annees <- unique(Deces$Year)
> matriceMU <- matrix(MU[,3],length(Ages),length(Annees))
> persp(Ages[1:100],Annees,log(matriceMU[1:100,]), theta=-30,
+ xlab="Age",zlab="Taux de décès (log)")
-2
Taux de d
-4
é
cès (log)
-6
-8
2000
1980
1960
Ann
1940 80
ees
60
1920
40
20 Ag e
1900
0
Figure 5.1 – Surface de mortalité (x, t) 7! log µx,t pour les Hommes, en France, entre 1899 et
2005, et entre 0 et 110 ans.
5.1.1 La lecture longitudinale des tables
Ces données ne sont pas sous le format que nous avions vu dans le chapitre 4. Toutefois, on
va pouvoir construire des fonctions proches de celles construites alors. On peut par exemple en
placer l’année an=1900 ou an=2000 pour décrire la mortalité cette année là.
> mu.an <- function(a, pointille=1, cex=1.5){
+ Da <- Deces[Deces$Year==a,]
+ Ea <- Expo[Expo$Year==a,]
+ MUa <- Da[,3:5]/Ea[,3:5]
+ titre <- paste("Taux de mortalit\’e",a,sep=" ")
+ plot(Ages,log(MUa[,1]), type="l", xlab="Age", ylab="Taux de d\’ecès (log)",
+ main=titre, lwd=1.7, ylim=c(-9.8,.5), lty=pointille, cex=cex, cex.axis=cex,
+ cex.lab=cex, cex.main=cex)
+ lines(Ages,log(MUa[,2]),col="grey",lwd=1.7,lty=pointille)
+ legend(75,-6,c("Femmes","Hommes"),lty=pointille,lwd=1.7,
+ col=c("grey","black"),bty="n")
+ }
Cette petite fonction permet de tracer x 7! log µx,t à t fixé, où µx,t = Dx,t /Ex,t . La Figure 5.2,
permet de comparer ces deux fonctions, en 1900 et en 2000.
Remark 5.1.1. Il ne s’agit pas ici du suivi d’une cohorte, mais de l’étude de la mortalité pour
des personnes d’âge di↵érents (et nées à des périodes di↵érentes) à une date t bien précise.

> mu.an(1900)
> mu.an(2000)
Taux de mortalité 1900 Taux de mortalité 2000

0
0
−2
−2
Taux de décès (log)

−4
−4
−6
−6
Femmes Femmes
Hommes Hommes
−8
−8
−10
−10
0 20 40 60 80 100 0 20 40 60 80 100
Age Age
Figure 5.2 – Logarithmes des taux de mortalité x 7! log µx,t pour les Hommes et les Fennes,
en France, entre 0 et 110 ans, en 1900 à gauche, et en 2000 à droite.
Compte tenu du lien entre le taux de hasard et les fonctions de survie, on peut en déduire
les fonctions de survie à la naissance (c’est à dire x=0). On utilise (comme dans le chapitre
précédant)
Z x+h
h px,t = exp( µs,t ds).
x
Là encore, une fonction générique permettra de comparer des courbes à plusieurs dates.
> proba.survie <- function(x, a, cex=1.5){
+ Da <- Deces[Deces$Year==a,]
+ Ea <- Expo[Expo$Year==a,]
+ MUa <- Da[,3:5]/Ea[,3:5]
+ titrey <- paste("Probabilit\’e de survie à l’^ age",x,"en",a,sep=" ")
+ titre <- paste("Probabilit\’e de survie en",a,sep=" ")
+ plot(1:length(Ages),exp(-cumsum(MUa[(x+1):length(Ages),2])), type="l", xlab="Age",
+ ylab=titrey, main=titre, lwd=1.7, ylim=c(0,1), cex=cex, cex.axis=cex, cex.lab=cex,
+ cex.main=cex)
+ lines(1:length(Ages),exp(-cumsum(MUa[(x+1):length(Ages),1])),col="grey",lwd=1.7)
+ legend(0,.2,c("Femmes","Hommes"),lty=1,lwd=1.7,col=c("grey","black"),bty="n")
+ }
La Figure 5.3, permet de comparer ces deux fonctions, en 1900 et en 2000.
> proba.survie(0,1900)
> proba.survie(0,2000)
Probabilité de survie en 1900 Probabilité de survie en 2000

1.0
1.0
Probabilité de survie à l'âge 0 en 1900
Probabilité de survie à l'âge 0 en 2000

0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
Femmes Femmes
Hommes Hommes
0.0
0.0
0 20 40 60 80 100 0 20 40 60 80 100
Age Age
Figure 5.3 – Fonctions de survie à la naissance h 7! h p0,t pour les Hommes - à gauche - et les
Femmes - à droite - en France, entre 0 et 110 ans, entre 1900 (foncé) et 2000 (clair).
Enfin, la figure 5.4, permet de visualiser la rectangularisation des fonctions de survie.

> cex <- 1.5
>
> plot(Ages, prob.par.annee(1900, 2), type="l", xlab="Age",
+ ylab="Probabilit\’e de survie à la naissance", main="Mortalit\’e des hommes",
+ ylim=c(0,1), col=gray(1), xlim=c(0,120), cex=cex, cex.axis=cex, cex.lab=cex,
+ cex.main=cex)
> for(a in 1901:2000){
+ lines(Ages, prob.par.annee(a, 2), col=gray((a-1900)/100))
+ polygon(c(112,112,123,123),(c(a,a-1,a-1,a)-1900)/100, border=NA,
+ col=gray((a-1900)/100))
+ }
> for(a in seq(1900,2000,by=10)){
+ text(104,(a-1900)/100,a)
+ }
>
> plot(Ages, prob.par.annee(1900, 1), type="l", xlab="Age",
+ ylab="Probabilit\’e de survie à la naissance", main="Mortalit\’e des femmes",
+ ylim=c(0,1), col=gray(1), xlim=c(0,120), cex=cex, cex.axis=cex, cex.lab=cex,
+ cex.main=cex)
> for(a in 1901:2000){
+ lines(Ages, prob.par.annee(a, 1),col=gray((a-1900)/100))
+ polygon(c(112,112,123,123),(c(a,a-1,a-1,a)-1900)/100,border=NA,col=gray((a-1900)/100))
+ }
> for(a in seq(1900,2000,by=10)){
+ text(104,(a-1900)/100,a)
+ }
Mortalité des hommes Mortalité des femmes

1.0
1.0
2000 2000
1990 1990
Probabilité de survie à la naissance
Probabilité de survie à la naissance

0.8
0.8
1980 1980
1970 1970
0.6
0.6
1960 1960
1950 1950
0.4
0.4
1940 1940
1930 1930
0.2
0.2
1920 1920
1910 1910
0.0
0.0
1900 1900
0 20 40 60 80 100 120 0 20 40 60 80 100 120

Age Age
Figure 5.4 – Fonctions de survie à la naissance h 7! h p0 pour les Hommes et les Fennes, en
France, entre 0 et 110 ans, en 1900 à gauche, et en 2000 à droite.
Pour alléger le calcul, on a une petite fonction auxiliaire qui extrait et calcul la probabilité
de survie pour un sexe donné.
> prob.par.annee <- function(annee, sexe=1)

+ {
+ MUa <- subset(Deces, Year==annee)[, 3:5]/subset(Expo, Year==annee)[, 3:5]
+ exp(-cumsum(MUa[1:length(Ages), sexe]))
+ }
5.1.2 La lecture transversale des tables
En fait, cette lecture longitudinale des tables (bien que correspondant à ce que nous avions
fait jusqu’à présent, et en particulier dans le chapitre précédant) ne paraı̂t pas forcément très
intéressante en assurance-vie, comme nous l’évoquions dans l’introduction. Aussi, afin de lire la
fonction de survie pour un individu (ou une cohorte), on ne lit plus la base par année (ou par
colonne dans une reprénsation matricielle Lx,t ), mais suivant une diagonale (à t x constant). Il
s’agit en e↵et de suivre un individu (ou ici une cohorte, par année de naissance) afin de valoriser
un produit d’assurance-vie pour un individu (ou des individus de la même génération. Ces trois
dimensions x (âge), t (date) et t x (année de naissance) n’est pas sans rappeler la lecture des
triangles de provisionnement j (développement, ou âge d’un sinistre), i + j (année calendaire,
ou date de paiement) et i (année de survenance, ou année de naissance du sinistre). Aussi, afin
de lire la fonction de survie pour un individu (ou une cohorte), on ne lit plus la base par année,
mais suivant une diagonale (comme le suggèrait le diagramme de Lexis).
> Nannee <- max(Deces$Year)
> deces.trans <- function(naissance){
+ taille <- Nannee - naissance
+ Vage <- seq(0,length=taille+1)
+ Vnaissance <- seq(naissance,length=taille+1)
+ Cagreg <- Deces$Year*1000+ Deces$Age
+ Vagreg <- Vnaissance*1000+Vage
+ indice <- Cagreg %in% Vagreg
+ return(list(DecesT=Deces[indice,],ExpoT=Expo[indice,]))
+ }
> head(deces.trans(1950)$DecesT)
Year Age Female Male Total
5662 1950 0 18943.05 25912.38 44855.43
5774 1951 1 2078.41 2500.70 4579.11
5886 1952 2 693.20 810.32 1503.52
5998 1953 3 375.08 467.12 842.20
6110 1954 4 287.04 329.09 616.13
6222 1955 5 205.03 246.07 451.10
> tail(deces.trans(1950)$DecesT)
Year Age Female Male Total
11262 2000 50 1051 2532 3583
11374 2001 51 1047 2702 3749
11486 2002 52 1246 2801 4047
11598 2003 53 1361 2985 4346
11710 2004 54 1371 3042 4413
11822 2005 55 1396 3217 4613
C’est à partir de cette extraction que l’on peut construire les mêmes types de graphiques
qu’auparavant. Sur la Figure 5.5, on peut ainsi comparer l’impact sur le taux de mortalité d’une
lecture tranversale. La fonction générique est ici
> mu.an.transv <- function(a,add=TRUE){
+ Da <- deces.trans(a)$DecesT
+ Ea <- deces.trans(a)$ExpoT
+ MUa <- Da[,3:5]/Ea[,3:5]
+ titre <- paste("Taux de mortalit\’e",a,sep=" ")
+ if(add==FALSE){plot(0:(nrow(MUa)-1),log(MUa[,1]),type="l",
+ xlab="Age",ylab="Taux de d\’ecès (log)",main=titre,lwd=1.7,
+ ylim=c(-9.8,.5))}
+ lines(0:(nrow(MUa)-1),log(MUa[,1]),type="l",lwd=1.7,ylim=c(-9.8,.5),lty=1)
+ lines(0:(nrow(MUa)-1),log(MUa[,2]),col="grey",lwd=1.7,lty=1)
+ legend(75,-7.5,c("Femmes","Hommes"),lty=1,lwd=1.7,
+ col=c("grey","black"),bty="n")
+ if(add==TRUE){text(90,-7.45,"Transversale");text(90,-6,"Longitudinale")}}
On peut alors comparer les taux de mortalité pour les personnes née en 1900 et celles née
en 1950 (comme on travaille ici par cohorte, celle n’est en 1950 n’aura été observée que partiel-
lement),

> mu.an(1900,pointille=2)
> mu.an.transv(1900,add=TRUE)
> mu.an(1950,pointille=2)
> mu.an.transv(1950,add=TRUE)
Taux de mortalité 1900 Taux de mortalité 1950

0
0
−2
−2

−4
−4
−6
−6
Longitudinale Longitudinale
Femmes Femmes
Hommes Hommes
Transversale Transversale
Femmes Femmes
−8
−8
Hommes Hommes
−10
−10
0 20 40 60 80 100 0 20 40 60 80 100
Age Age
Figure 5.5 – Logarithmes des taux de décès : lecture transversale versus lecture longitudinale,
pour une personne née en 1900 (à gauche) ou en 1950 (à droite).
Si la lecture transversale semble plus pertinante pour suivre une individu ou une cohorte, on
est limité par le fait qu’il faudra prévoir les taux de mortalité pour les personnes les plus jeunes
pour les années à venir. Les sections suivantes vont présenter la mise en oeuvre de plusieurs
modèles permettant de prédire le taux de mortalité.
5.2 Le modèle de Lee & Carter
La modélisation retenue par Lee & Carter (1992) pour le taux instantané de mortalité est la
suivante :
log µxt = ↵x + x kt + "xt ,
avec les variables aléatoires "xt i.i.d. L’idée du modèle est donc d’ajuster à la série (doublement
indicée par x et t) des logarithmes des taux instantanés de décès une structure paramétrique
(déterministe) à laquelle s’ajoute un phénomène aléatoire ; le critère d’optimisation retenu va
consister à maximiser la variance expliquée par le modèle, ce qui revient à minimiser la variance
des erreurs. On retient en général les deux contraintes d’identifiabilité suivantes :
xM
X tM
X
x = 1 et kt = 0.
x=xm t=tm
L’estimation des paramètres s’e↵ectue en résolvant un problème de type “moindres carrés” :

⇣ ⌘ X
ˆ x , ˆx , kt = arg min
↵ (log µxt ↵x 2
x kt ) .
x,t
5.2.1 La library(demography)
Le package demography propose une implémentation de Lee-Carter, avec en plus des fonc-
tions permettant de projeter les taux de mortalité dans le futur. Dans un premier temps on
prépare les données en vue de leur utilisation avec la fonction lca.
> library(forecast)
> library(demography)
> YEAR <- unique(Deces$Year);nC=length(Annees)
> AGE <- unique(Deces$Age);nL=length(Ages)
> MUF <- matrix(Deces$Female/Expo$Female,nL,nC)
> MUH <- matrix(Deces$Male/Expo$Male,nL,nC)
> POPF <- matrix(Expo$Female,nL,nC)
> POPH <- matrix(Expo$Male,nL,nC)
On a alors les données prêtes à être transformées dans des données de demography,
> BASEH <- demogdata(data=MUH, pop=POPH, ages=AGE,
+ years=YEAR, type="mortality",
+ label="France", name="Hommes", lambda=1)
> BASEF <- demogdata(data=MUF, pop=POPF,ages=AGE,
+ years=YEAR, type="mortality",
+ label="France", name="Femmes", lambda=1)
Estimation des coefficients ↵x , x et t

On peut alors utiliser les fonctions de démographie, dont la fonction permettant d’estimer
les paramètres du modèle de Lee-Carter. La Figure 5.6 permet ainsi de visualiser l’évolution de
x 7! ↵x et x 7! x
> LCH <- lca(BASEH)
> plot(LCH$age,LCH$ax)
> plot(LCH$age,LCH$bx)
● ●
0.025
●
●●
●●
●●
−1
●
● ●
●
●
●
●
● ●
●
● ●
●
●
−2
0.020
● ●
● ●
● ●
●
● ●
●
● ●
● ●
● ●
● ● ●●
● ●●●
−3
● ● ●●
● ●
● ●
● ● ●●
● ●
●
0.015
● ●●
● ● ●
LCH$ax
LCH$bx
●
● ● ● ●
●● ●
●
●
● ●
−4
● ●
● ●
●
● ●
●
● ●
●● ●
●
●
0.010
● ●
●● ●
●
−5
●● ●
●● ●
●●● ●
● ●●
●● ●
●●● ●
●●●●●●●●● ●●
●
● ●
−6
● ●●
● ●●
0.005
●●
●●●● ●
● ●●●●●●●●●●●●●● ●●●●●
●●●●
● ● ●●
●
●●
● ● ●
● ●●●
● ●● ●
−7
● ●
● ●●
● ●
●●●● ●
0 20 40 60 80 100 0 20 40 60 80 100
LCH$age LCH$age
Figure 5.6 – Evolution de x 7! ↵x (à gauche) et x 7! x (à droite) .
Projection des t
Une fois l’ajustement réalisé sur les données disponibles, on peut réaliser des projections de la
mortalité future. En particulier, library(forecast) propose de nombreuses fonctions possibles
pour prédire les valeurs t futures.
Par exemple, les méthodes de lissage exponentiel,
> Y <- LCH$kt
> (ETS <- ets(Y))
ETS(A,N,N)
Call:
ets(y = Y)
Smoothing parameters:
alpha = 0.8923
Initial states:
l = 71.5007
sigma: 12.3592
AIC AICc BIC

1042.074 1042.190 1047.420
> (ARIMA <- auto.arima(Y,allowdrift=TRUE))
Series: Y
ARIMA(0,1,0) with drift
Coefficients:
drift
-1.9346
s.e. 1.1972
sigma^2 estimated as 151.9: log likelihood=-416.64

AIC=837.29 AICc=837.41 BIC=842.62
Graphiquement, il est alors possible de visualiser les prédictions obtenues pour ces deux
modèles, avec respectivement un lissage exponentiel, et une marche aléatoire (ARIMA(0,1,0))
avec une tendance linéaire, comme le montre la Figure 5.7
> plot(forecast(ETS,h=100),type="p",ylim=c(-560,120))
> plot(forecast(ARIMA,h=100),type="p",ylim=c(-560,120))
Forecasts from ETS(A,N,N) Forecasts from ARIMA(0,1,0) with drift
● ●
●●● ●●●
100
100
● ●
●● ●●
● ●
● ● ●
●
●
●●
●●●
● ●● ● ●
●
●●
●●●
● ●● ● ●
●●
● ● ● ●●
● ●
● ●●
● ● ● ●●
● ●
●
●●
● ●●
●
●
●●●
●●
●●
●●
●● ● ●
●●●
●●
●●
●●
●● ●
●
●● ●● ●
●● ●●
●●● ●●●
0
●●
●● ● ●●
●● ●
●●●●●
● ● ●●●●●
● ●
●●●●●
● ●●●●●
●
●
●●
●● ●
●●
●●
●●
●● ●●
●●
●●
● ●●
●
●
●● ●
●●
●● ●●
●● ●●
● ●
−100
−100
●
● ●
●
●
●● ●
●●
●●
● ●●
●
●
● ●
●
●
● ●
●
●
● ●
●
−200
−200
−300
−300
−400
−400
−500
−500
1900 1950 2000 2050 2100 1900 1950 2000 2050 2100
Figure 5.7 – Projection des t du modèle de Lee-Carter par un modèle de lissage exponentiel
(à gauche) et une marche aléatoire avec une tendance linéaire (à droite) .
Le modèle initial de Lee-Carter proposait de considérer un processus ARMA(1,1) sur la série

di↵érenciée (une fois),
t = t 1 + + ut ✓ut 1
où t = t t 1 , i.e. un processus ARIMA(1,1,1). Mais il est aussi possible (et c’est ce qui
avait été retenu ici) d’utiliser un processus ARIMA autour d’une tendance linéaire
t = ↵ + t + t 1 + ut ✓ut 1.
Restriction des données à la période après guerre
La volatilité de la prédiction semble venir de la prise en compte des deux séries de sauts des
coefficients t correspondant à la surmortalité pendant les deux guerres mondiales, 1914-1918
et 1939-1945 (avec également l’épisode de grippe espagnole en 1918).
> LCH0=lca(BASEH,years=1948:2005)
> Y0 <- LCH0$kt
> Ys <- Y[((length(Y)-length(Y0)):length(Y))]
> Y0s <- (Y0-mean(Y0))/sd(Y0)*sd(Ys)+mean(Ys)
> (ARIMA0 <- auto.arima(Y0s,allowdrift=TRUE))
Series: Y0s
ARIMA(1,1,0) with drift
Coefficients:
ar1 drift
-0.5417 -2.4717
s.e. 0.1180 0.3834
sigma^2 estimated as 19.64: log likelihood=-165.92

AIC=337.84 AICc=338.29 BIC=343.96
En se restraignant à la période après guerre, le meilleur modèle ARIMA - autour de la
tendance linéaire - continu à être intégré (d = 1), mais la volatilité du bruit blanc est ici
beaucoup plus faible que sur le jeu de données incluant les deux guerres. Graphiquement, les
prédictions peuvent se comparer sur la Figure 5.8
> plot(forecast(ARIMA,h=100),type="p",ylim=c(-560,120),xlim=c(1900,2100))
> plot(forecast(ARIMA0,h=100),type="p",ylim=c(-560,120),xlim=c(1900,2100))
> abline(v=1948,lty=2)
On peut également comparer les estimateurs des coefficients ↵ et sur les deux jeux de
données, comme sur la Figure 5.9, avec en trait plein les estimations sur les données après
guerre et en grisé les coefficients précédants,
> plot(LCH$age,LCH$ax,col="grey",ylim=range(LCH0$ax))
> lines(LCH0$age,LCH0$ax,lwd=2)
> plot(LCH$age,LCH$bx,col="grey")
> lines(LCH0$age,LCH0$bx,lwd=2)
Projection de di↵érentes quantités actuarielles

Pour commencer, le plus simple est de regarder l’évolution de l’espérance de vie en 2005 pour
une personne d’âge x, que l’on peut visualiser sur la Figure 5.10
> LCHf<-forecast(LCH,h=100)
> LCHT<-lifetable(LCHf)
> LCHTu<-lifetable(LCHf,"upper")
> LCHTl<-lifetable(LCHf,"lower")
Forecasts from ARIMA(0,1,0) with drift Forecasts from ARIMA(1,1,0) with drift
●
●●●
100
100
●
●●
● ●
●●
●●
●●●
● ●● ● ●
●●
● ● ● ●●
● ●
●
●●
● ●
●●●
●●
●●
●●
●● ●
● ●●
●●●● ●●●●●
●●
0
0
●●
●●
● ● ●●●
●●●●● ●●
● ● ●
●
● ●●●● ● ●●●●
●
●
●● ● ●●
●●
●●
●● ●●
●
●●
●● ●
●●
●
●●
● ●
●●
●
●● ●●
●
●● ●
●
●● ●
●
● ●
−100
−100
●
● ●●
●
●● ●●
●
●●
● ●
●●
●
● ●●
●
● ●●
●
● ●●
−200
−200
−300
−300
−400
−400
−500
−500
1900 1950 2000 2050 2100 1900 1950 2000 2050 2100
Figure 5.8 – Projection des t du modèle de Lee-Carter par un modèle de marche aléatoire
avec une tendance linéaire avec les données complètes (à gauche) et les données après guerre (à
droite).
●
●
●
0.025
●
●●●
●●
●
●●
● ●
●
●
●
●
●
● ●
●
−2
● ●
●
●
0.020
● ●
● ●
●
● ●
● ●
●
● ●
● ●
● ●
●
● ● ●●
● ●
● ●●●
● ● ● ●●
● ●
● ●
● ●●
● ●
0.015
● ●●
●
●
−4
● ●
LCH$ax
LCH$bx
● ●
●● ● ●
● ●
●● ●
●
●● ●
●● ●
●● ●
●● ●
●●
●●● ●
●
0.010
● ●● ●
●● ●
●●●
●●●●●●●●●
●● ●
● ●
−6
● ●
●
●
● ●
● ● ●●
●
● ● ●●
● ●●
0.005
● ●●
● ●●●● ●
● ●●●●●●●●●●●●●● ●●●●●
●● ●● ●●●●
●● ●●
●
●●
●
●●●
●● ●
●
−8
●●
●
0 20 40 60 80 100 0 20 40 60 80 100
LCH$age LCH$age
Figure 5.9 – Evolution de x 7! ↵x (à gauche) et x 7! x (à droite), avec l’estimation sur les
données après guerre en noir, et sur le XXème siècle en grisé.
> plot(0:100,LCHT$ex[,5],type="l",lwd=2,main="Esp\’erance de vie en 2005",

+ ylab="Esp\’erance de vie r\’esiduelle",xlab="Age")
> polygon(c(0:100,100:0),c(LCHTu$ex[,5],rev(LCHTl$ex[,5])),
+ border=NA,col="grey")
> lines(0:100,LCHT$ex[,5],type="l",lwd=2)
Espérance de vie en 2005

80
60
Espérance de vie résiduelle
40
20
0
0 20 40 60 80 100
Age
Figure 5.10 – Espérance de vie résiduelle à l’âge x, en 2005.
Les résidus du modèle

Dans le modèle de Lee-Carter, nous avions
log µx,t = ↵x + x · t + "x,t ,
où les résidus "x,t sont supposés i.i.d. Notons "bx,t les pseudo-résidus obtenus lors de l’estimation,
i.e. ⇣ ⌘
"bx,t = log µx,t bx + bx · 
↵ bt .
Il est important de vérifier que les résidus peuvent être considérés comme i.i.d. On peut visualiser
les erreurs "bx,t en fonction de x sur la Figure 5.11 et de t sur la Figure 5.12.
> RES<-residuals(LCH)
> couleur<-gray(seq(0,1,by=1/length(RES$x)))
> plot(rep(RES$y,length(RES$x)),RES$z,col=
+ couleur[rep(RES$x-RES$x[1]+1,each=length(RES$y))],
+ xlim=c(0,120),ylim=c(-1.62,1.62),
+ xlab="Age",ylab="")
> for(a in 1901:2000){
+ polygon(c(112,112,123,123),(c(a,a-1,a-1,a)-1900)/
+ 100*3-1.5,border=NA,col=gray((a-1900)/100))}
> for(a in seq(1900,2000,by=10)){
+ text(106,(a-1900)/100*3-1.5,a)}
●
●
1.5
2000
● ●
● ●
●●
● ●
1990
● ●●
● ●●
● ● ● ● ● ● ●
● ●
1.0
● ● ● ● ●
●● ● ● ● ●
●
● ● ● ●● ● ●● ● ● ● ● ●●
● ●● ● ●● ●● ● ●● ● ● ● ● ●● ● ●● ●● ●
1980
● ●●
● ● ● ●● ●
● ● ● ● ●● ● ● ● ●●
● ●● ● ● ●● ● ● ●●● ●● ● ● ●●●
● ●
●
● ● ●● ● ●●
● ● ● ● ●
● ● ●
● ●●●
● ●
●● ● ●
● ●
● ● ●● ● ●● ● ● ●
●
●
●●●● ● ● ●
● ●● ● ● ● ● ● ● ● ● ●
● ●
● ● ● ●● ●●● ● ● ● ● ●● ● ● ● ● ● ●● ● ●● ●
● ● ● ● ●
●●● ●●●●● ● ●●● ● ● ● ●● ●
●● ● ● ●● ● ●●● ● ●●● ●●● ●
● ●●● ●● ●●
●●
● ●●
● ● ●●● ● ● ● ● ● ● ● ●●● ● ●●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●
●●●●●●●● ●●● ● ● ● ●● ●●
● ● ● ● ● ●● ●● ●●●●● ●●● ● ● ●●
● ●●● ●●● ●● ● ● ● ● ●●
●●
●
●●● ● ●●● ●
●●●
●●
●
●● ●
●●
● ● ●●●
●
● ●
●●●● ●●
● ● ●● ●● ● ● ● ●
● ●
● ● ●
● ●●● ● 1970
●●●●● ●● ●●●●●● ●●● ● ●● ● ●● ●●●
0.5
● ● ● ● ● ●● ●
●●● ● ● ●●
● ● ●●●● ● ●●●●●●● ●● ●●●●
● ● ● ● ● ●● ● ●●
●
● ●●
● ●
●
●●● ●● ●● ●●
●
●●
●● ●
●●●
● ●● ●●●●●
● ● ● ● ●●● ● ● ● ●●● ●● ●● ●
●
● ●
● ● ●
●
●● ● ● ●
●
●●●●
●● ● ●●● ● ● ● ●●●●●●● ●●● ● ●●● ● ● ●● ●● ●● ● ● ● ● ●● ●
●● ● ● ●●
●●●●● ●●●●●●●
● ●●●
●● ●● ●
●
●●●●●●●●● ● ●●
●●● ● ●● ●● ● ● ●●
● ●●● ●
●● ●●
● ●●●● ● ●● ● ●● ● ● ● ● ●
●●●● ● ●●
● ●●
● ●
● ● ●●● ●●●
●●
●●● ● ●
●●●● ●●●● ●●●●● ●●●●● ●●●
● ●
●●
● ●● ● ● ● ● ● ● ● ●● ●● ●●●
● ●●●●● ● ● ● ● ●●●
● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ●
●●● ●
●●●
●●
●●●
● ●●●●●
● ●●
●●●
●
●●● ●
● ●●●
●
●●● ●●●
●
●●● ●● ●●
● ● ●●●●●●●●●●
● ●● ●
● ●● ●● ●
● ● ●●●●
●
●●
●●●
●
● ●●
●
●●
● ● ●●●●
●
●●
●
●●●●● ●
● ● ●
● ●
●●
● ●●
●
●
●●
●
●●
●●●●
●
●●● ●●●●●
●
●●●●
●
●●● ●
●●●●●●●●
●
● ●● ●
● ●●●● ●●
● ●
●●●● ●● ● ●
● ●●● ●●
●
●
●
●●
● ●●●●
●
1960
●● ● ● ●●
● ●
● ●●●● ●
● ● ● ● ●●● ● ● ●
● ● ● ● ●●●●●●● ● ●●● ●●●●● ● ●●● ●● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●●●●●● ● ●
●●●●● ●●● ●●● ● ●●● ● ●●● ●● ●●●●●● ● ● ●●●● ● ●● ●● ●●●
● ●●●●● ●●●● ●●●●●●●●●●● ●●●●●
● ●●●●●●● ●●●
●●●●●●●
● ●●● ●●● ●● ●● ●
●●●● ●● ● ● ● ●
●●●●● ●●
●● ●●●● ●● ● ● ●●● ●●● ●● ● ●● ● ●●●● ●
●
●●●●● ● ●●
●●●
● ●● ●●
●
●●●●● ● ●●●●●●
●
●
●●
● ●●
●●
●
●●●
●●●
●●●
●●
●
●● ●
● ● ●
●●
●
●
●●●●
● ●● ● ●●
●
● ●●●●●●●●● ●●
● ●●●●● ●
●●
●●●●
● ●●
●
● ●●
●●
●●●●●●
● ●●●●●●
● ●●●●● ●●
● ●●
●●
● ● ●
●
● ●●●●●
●●●●●
● ● ● ●●
● ●●
● ●●
●
●
●●● ●●● ●●
●
●●●
●● ●
●●
●● ●●●
●●● ●●
●
●●
● ●●
●
●●
●
●●
●●
● ●●●●
● ●●●●●●
● ●●●●●●
● ●
●●●●●
●●
●
●
●
●
● ●●●● ● ●● ● ●●●●● ● ● ●●
●● ●●●
● ●●
● ●●
● ●●● ● ●● ● ●● ●●
●● ●●
● ●●
●● ●●●● ●●
●●●●
● ●● ●●
●● ● ●
●●● ● ● ●●●●●● ● ● ●
● ●●●● ● ●●●● ● ●●● ●●●●●●●
● ● ● ● ●
● ●
●●●●● ●
●●
●●●●●●●●●
● ●●
● ●
●●
● ● ●●●
●●● ● ●
●●●
●●● ● ● ● ●●● ●●●●
●●
● ●●
● ●●● ● ● ●●
●●● ●●●●
●●● ● ● ●● ●●
●
●●●●●●
● ● ●●●●●
●●●● ●● ●●
●●●
● ●●●
● ●
●●●● ●
●●●
● ●●●
● ● ●
●●
● ●●●
●● ●
●●●●●
●● ●●
●●●●
● ●●●
● ● ●●● ● ● ●
● ●●●●● ●●
●
●●●●●● ●
●● ● ●
● ●●●
● ● ● ●
●●●
●
●●
●●●
●●
● ● ●
●●
●●●●
●●
● ●●●●●●●●
●●●●
●
●●●
●●●●
●●
● ●●
● ●
●●
● ●●●
●
●●●●●
●●●
●●
● ●●
● ●●
●
●●
●●●
●●●●
● ●●
●
● ●
●●●
●●
● ●●
●
●
●
●●
●●●●●
●●
●●●
● ●●●
●●
●●
●
●●●●
●●
●●●●●●
●
●●●●
● ●● ●●
●●
●
●●●●
● ●●
●●●●
●●●●
●●●●●
● ●
●●●
●
●
●
●●
●
●●
●
● ●
●●●
● ●●●
● ● ●●
● ●●
●
●●
●
●●
● ●● ●
●●●●
●●●●●●
● ●●●●
●●
● ●
●●●
●●● ●●
●
●● ●
● ●●
●
●●●●
● ●●
●●●●●
●● ●●
● ●●
● ●●
●
●●
●
●●●●
●
●
●●● ●●
●●●
●●●
● ●●●
●●
● ●●
● ●
●
●●●
●●
●
●
●●
●●●●
● ●●●●●●
● ●
● ●●
●●●●
●
●●● ●
●●●
●●●
●●
●●●●
● ●
●●
● ●
●●●
●
●●
● ● ●
●●
●●
●●●●
●●● ●●
● ●●
●●
●
● ●●●
●
●●●●● ●●
● ●●
●●
●
●●●●●
●●●●● ●●
●
●●
● ●
●●
●●
●●●
● ●●
●
●●
●
●●● ●
●●
●●
●●●
●●
●●● ●●
●●●
●●
●●●
● ●●●●
● ●●
●●
● ●●●
●
●●
●
●
●●●
●●●
●
●
0.0
●●
● ● ● ● ●●●
●●●
●●
● ● ●●
●●●●●
●
●●●
● ●●
● ●●
● ● ●
●●●●●
●●
● ●
●●●●
● ● ●
●●●●
●●
● ● ● ●● ● ● ●●●
● ●
●●● ●
●●●
●●
● ●
● ●●● ●●
● ●●●
●●● ●●
●●●
●●● ●●●
●
●●●●●●
● ● ●●
●● ●●●●
● ●●
● ●
●●●
●●●
●●
● ●● ●●
● ●●
● ●●●
●●●
●●●●
● ●
●●● ● ● ●
●●●
●●
●●●
●●●
● ● ●
●●● ●●●
●●● ●●
● ●●
● ●●
●●●
●●●●
● ●
● ●
●●●
●● ● ●●
● ● ●
●●● ● ●●
● ●
●●●●
● ● ●●
● ● ●
●●● ●
● ● ● ●●●
●●
● ● ●●●●●
●●
● ● ●●●
●●
● ●
●●●
● ●●●
●●●
●●● ● ●●
●
●● ●
●●●●●
● ●
●●● ●
● ● ●●
● ●●
● ●●
● ●●●●
●●●
● ● ●
●●● ●●
●
●●
●●● ● ● ● ●●
● ●
●●●
●●● ● ●●
● ● ● ● ●
● ●●
● ● ●
● ●●●●
● ●
●●●
●●●●● ●●
● ● ●
●●●
● ●
●●
●●●●●●●
●
●●● ●
●●●
●●
● ●
●●●●
● ●
●●● ●●
●●●
●●●
●●● ● ●●
● ●
●● ●
●●●●
● ●●
●
●●●●
● ● ●●
●●●
● ●●●
●●● ●
●●● ●●
●● ●
●●● ●
●●●●
● ●●
● ●●●
●●●●
● ● ●●
● ●●
● ●●●
●●●●●
●●●
●●
●●●●●●
●●●●●●●
● ●
●●● ●●
● ●
●●
● ●●● 1950
●
●
●●
● ●
●
●●
●●●●
●
●
●● ●
●●●
●
●●● ●●
●
●●
●
●
●●
●●
●
●●●●
●●●●
●●● ●●
●●●●
●●
●
●●
●●●
●
●●●●
●
●●
●
●●
● ●
●●●
●
●●●
●
●●
●
●●
● ●
●●
●●
●●●●●
●●●
● ●●
●
●
●
●●●
●
●●●●
●
●●
●●●
●
●●
●
●●
●●
●●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●●●
●●●●
●
●●
●
●
●●
●
●
●●●
●
●●
●●●
●●
●
●
●●
●●
●
●●
●
●●●
●●
●●●●●●●
●●
●
●●
● ●
●●●●●
●
●●
● ● ●
●●
●
●●
●
●●●
●
●●●
●●
●
●
●
●●
●●
●●
● ●●
●
●●
●●●
●●●
●●●●
●●
●
●
●●
●●
●●
●
●●
●●
●●●
●●
●
●
●●
●●
●●●
●●●●
●
●●
●
●
●●
●
●●
●
●●●
●●
●●●
●
●
●
●●
●
●
●●
●●
●
●●●
●●
●●●
● ●
●
●●
●●
●
●●
●
●●
●●
●
●
●
●
●●
●●
●
●
●●
● ●●
●
●●
●
●●●
● ●
●
●●
●
●●●●
●●●
●
●●
●●●
●
●●
● ●
●●
●
●●●
●●●
● ●
●●
●
●●
●●●
● ●●
●●
●
●●
●
●
●●
●●
●
●
●●●●
●
●●
●
●●●
●
●
●●
●●
●●
●●●
●●
●
●
●
●●
●
●●
●
●●●
●
●
●●●●
●●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●●
●
●●
●●●
●●
●
●●
●●
●
●●
●
●●
●
●●
●●●●
●●
●●
●
●●●
●●● ●●
●
●●
●
●●
●
●●
●
●●
●
●●●
●●●
●●●●
● ●
●●
●●
●
●●
●●● ●●
●●
●
● ●●
●●
●
●●
●
●●
●
●●
●●●
●
●●
● ●
●
●●
●●●
●●
●
●●
●●
●
●●
●●
●
●
●●
● ●
●●
●●●
●●●
●●●●
●●
● ●
●●●
●
●
●●
●
●●●
●●
●
●
●●
●
●●●●●
●●●
●
●●
●
●●
●●
●●
●●●●
●●
●
● ●
●●
●●●
●●
●
●●
●●●
●●
●●
●
●●
●
● ●
●●
●
●●●
●
●●
●
●●
●●
●●
●
●
●●
●●
●
●
● ●●
●
●
●●●
●●
● ●●
●
●●
●●●●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●●
●●
●●●
●●
● ●●
● ●
●●
●
●●●
●●●●
●●
● ●●
●
●●
●
●●
●
●
●
●●
●●●
●●
●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●●
● ●
● ●
● ●
●●
●
● ●
● ●
●
●
●
●●●
●
●
● ●
●
●
●
● ●
●●
●
●
● ●●
●
●●●
●●●
● ● ●●
●●●
● ●
●●
● ●
●
●●
●
●
●
●
●
●
●
●
●●●
●●●
●
●●
●●●
●
●
●●●●
●
●●
●●
●●●●
●
●
●
●●
●
●
●
●
● ●
●
●●
●
●●
●
●
●●
●●
● ●
●
●●●
●●
● ●●
●
●
●
●
●
●
●
●
●●●●●
●●
●
● ●
●●
●
●●
●
●
● ●
●
●●
●
●●●●●●
●
●
●●
●
● ●●
●●●
● ●
●
●●
●●●
● ●
●
●●●
●
●
●●●
●
●
●●
● ●
● ●
● ●
●
●●●
●●
●
●●●
●
●●●
●
●
●
●
●
●●●●●
●
●
● ●
●
●●●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●●
●
●
●●●●
●
●●
●
●
●●
● ●●
● ●●
● ●●
●
●●
●
●
●●
● ●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
● ●
●●
●
●
●
●●●●
● ●
●
●●
●
● ●
●●
●
● ●
●●●●
●
● ●
● ●
●
●
●●
● ●●
●
● ●
●
●●● ●
●●●
●
●●● ●
●●●●
●●●
●
●
● ●
●●●●
● ●
●●
●
● ●
● ●
●●●
●
●
●
●●
●
●
● ●
● ● ●
●
●●●
● ●●
●
●
●
●
●●
●
● ●
●●●
●
●
●
●
●
●
●● ●●● ●●●●●
● ●● ●
● ● ● ● ● ●●
●●● ●●● ●●●●● ● ●●●●
●●●●●●● ●●●
●●● ●●●● ●
●●● ●●●●● ●●
●●● ●●●●● ●●●●● ●●● ●●●● ●●●●●● ●●● ●●
● ●●●●● ●● ●● ●
●●●● ● ●● ●●●●●● ●
●●●●●●●● ●●●●●●● ●● ● ●●●
●
●●
● ●●
●
● ●●
● ●●
●
● ●
●
●●●
● ●
●
●●
●
●
● ●●
● ●
●●
●
●●
●
●●
●●●●
●
●● ●●●●●
● ●
●
●●
●●
●
●●
●
●
●
●●
● ●●●●
● ●●
●
●●
● ●
●
● ●●● ●●●●
●
●●
●●
●
● ●●
●
●●
●
●
● ●●
● ●●
● ●●●
●●
● ●
● ●●
● ●●● ●
● ●
●●
●
● ● ●●●
● ●●● ●●
●●
●
● ●
●
● ●●
● ●
●●
●
●
●●
●●●
● ●●●
● ●●● ●●● ●●● ●●
●
●
●●
●
●
● ●
● ●●
●
●●●
●
●●●●●
● ●
●
● ●
● ● ●
●●●
●
●●●●
●●
● ●
●
●
●
●
●●●●●
● ● ●
●●●●● ● ●
●●●●● ● ●●
● ● ●
●●●
●●● ● ● ● ●●
● ●●
●●●
●●● ●●
● ●
● ●● ● ● ●●●●● ●
●●●●● ● ●●● ● ● ●
●●●
●●●●● ● ●
●● ● ● ● ● ●
● ●●●●● ● ● ●●●●● ●
● ● ●●●●●
● ●● ● ● ●● ●
●●●● ● ● ●●● ● ●
●●●
●●
●●●●●
●●●
●●●●
● ● ●
●●
●
●● ● ● ●●
● ●
●●
●●●●●
● ●●
●● ●●
● ●●●●
● ●●
●
●●●
●● ● ● ●
●●● ● ●
● ●●●●●
● ●● ●●● ●●●● ●● ●
● ●
●●●● ●● ●
● ●●●●●●
● ●●
● ●●
● ●●●● ●
● ● ●● ●● ● ● ●● ● ●● ● ● ●●● ●●● ●●
● ●●●
●●
●
●●●
● ●●
●
●●●
● ●●●●
● ●●●●
● ●
● ●●●
● ●●
●
●
● ●
●
● ●●
●●●●●●●
● ● ● ●
● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ● ●
● ● ●●
● ●
●●
● ●
●
●●●
● ● ● ● ● ● ● ●
● ● ● ● ●
● ● ●
● ● ●
● ●●●
● ● ●
● ● ● ● ● ●
●
●●
● ●●
● ● ● ●
● ●
●●
● ●
● ● ● ● ●
●●
● ●
● ● ● ● ●
●●● ●
● ● ● ●●
● ●●
● ● ● ●
●●●
● ● ● ●●
● ● ● ●
●●● ●●● ●●●●●● ●●●●● ●●● ●●● ● ●●● ● ● ●● ● ● ●●● ●●●●●●
●● ● ●● ●●●●●● ●●● ●●●●●●
●● ●●●● ●●●●●●●● ●● ●
●●●
● ●
●●● ● ●
●●●●
●
●●●●●●
● ●● ● ●●
● ●●● ●
● ●●●●●
●●●
●
●● ● ●
● ●● ● ●●●●●●●●●●●
● ● ●
●●
● ●●●
● ●
●●
●
●●
●●
●●
●●●●●
●● ●●●● ●●
●● ● ● ●
● ●
● ●●
●●● ●●
● ●●●●
●●
●
●●● ●●●
●●
●●
●●●
●● ●● ●●●
●
●
●●
●
●●●●
●●
●●
●
●
●●
●●
●●
●● ●
●●
● ●
●●
●
● ● ●●
●
●
●●
●●
● ●
●●
● ● ● ● ●
●
●●●●
● ●
● 1940
● ● ● ● ●●● ●●●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●
● ●● ● ● ● ● ● ● ● ● ● ● ● ● ●
●● ●● ●●●●●
●● ● ● ● ● ●
●● ●● ● ● ● ● ● ●●● ● ● ●
●●●●●●●
●
●●●●
● ●
● ● ●●●●
●●● ● ● ● ●●
●
●●●●● ●● ●
●●●●●
●●●●
● ● ● ●
● ● ●●
●● ●
●●●● ●●
●
● ● ●●●●● ●
●●●● ●
●●●
● ●●
●
●
●●●
●
●●●●●● ●
● ● ●●●
●●● ●● ● ● ●●●
●●
● ●● ●
● ●
● ● ●●● ●
● ●
● ● ●●● ●●●● ● ● ● ● ● ●●● ●●●● ●●●●●
●
●
●
●
●
●
● ●●●
● ●●
●
●●
● ●●
● ● ●
●●●●
●
●●●●●
●
● ●●
● ● ● ●
● ●●● ●
●●
●
●●
●● ●●
●
● ●
●●●
● ● ● ● ●●
● ●
●
●●●
●
● ●
●●●●●● ●●●● ● ● ● ● ● ● ●
−0.5
● ●●●●● ● ● ●●● ●● ●●● ● ●● ● ●

●●●●●● ● ●
● ● ● ● ● ●●●● ●●●
● ●● ● ●●
● ● ● ●●●● ●● ●● ● ● ● ●●● ●●● ● ● ●●
● ●● ● ●●●● ● ●
● ● ● ●● ●● ●●●● ●●●● ●
●● ●●●
●
●
●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
● ● ● ● ● ● ●● ● ●
●●● ● ●● ●●
● ●●● ●●●
● ● ● ● ● ● ●● ●●●● ●●● ●●
●
●
● ●● ●●●●●● ● ●● ● ●●● ●● ●
●● ●●
●
●●●●
●
● ●
●●● ● ●
● ● ● ● ● ● ●
●● ● ● ●●● ●
● ● ● ● ●
● ●● ● ● ● ● ●
● 1930
● ● ● ● ● ● ● ●● ● ●●
● ● ●●● ●●●● ●●●●● ●●
●
● ● ● ● ● ● ● ● ● ●
●● ● ● ● ●●●● ●● ●
●● ● ● ●● ●● ●
●● ● ● ●
●● ●●●
●● ● ● ● ●● ● ● ●
● ● ● ● ● ●
●
● ● ● ● ● ● ● ● ●
● ● ●●
● ● ● ●● ●●
● ● ● ● ● ● ●
●● ●●● 1920
−1.0
● ●● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ●
● ● ● ● 1910
● ●
●
●●
−1.5
1900
0 20 40 60 80 100 120
Age
Figure 5.11 – Visualisation des pseudo-résidus, x 7! "bx,t .
Pour l’évolution des résidus en fonction de t, le code est :

> couleur=gray(seq(0,1,by=1/length(RES$y)))
> plot(rep(RES$x,each=length(RES$y)),RES$z,col=
+ couleur[rep(RES$y-RES$y[1]+1,length(RES$x))],
+ xlim=c(1899,2020),ylim=c(-1.62,1.62),
+ xlab="Ann\’ee",ylab="")
> for(a in 1:110){
+ polygon(c(2012,2012,2023,2023),(c(a,a-1,a-1,a))/
+ 110*3-1.5,border=NA,col=gray(a/110))}
> for(a in seq(0,110,by=10)){
+ text(2009,a/100*3-1.5,a)}
5.2.2 Les fonctions de LifeMetrics

Le package LifeMetrics 1 proposé par JP Morgan propose une implémentation simple à mettre
en oeuvre du modèle de Lee-Carter et de certaines variantes (notamment avec la prise en compte
de cohortes).
Une fois le script chargé (via l’instruction source("fitModels.r")), il suffit de passer en pa-
ramètres deux tableau etx et dtx de dimensions (nombre d’années) ⇥ (nombre d’âges) contenant
respectivement les expositions au risque l’année t à l’âge x et le nombre de décès. L’ajustement
s’e↵ectue par l’appel :
> res=fit701(x, y, etx, dtx, wa)
où x est une vecteur contenant les âges, y les années et wa est une matrice de poids (non utilisée
dans le modèle standard, il suffit de la passer avec wa=1. On reprend ici l’exemple utilisé à la
1. Les codes sont en ligne sur http://www.jpmorgan.com/pages/jpmorgan/investbk/solutions/lifemetrics/
software.
110
●
●
1.5
100
●●
●● ● 90
● ●●
● ●● ●
●● ●
● ●●●●●●●● ● ●
1.0
●● ● ●●●●● ●
● ● ● ●●●●●●●
●● ● ●●●● ●● ● ●●
● ● ●●●●● ● ●●●● ●
● ●●●
●●
● ●
80
● ● ●● ●
● ● ●●● ● ●● ●
●●●●
● ● ●● ●●● ● ●● ●
● ● ● ● ●●● ● ● ● ●●●●●●●
● ● ● ● ● ●
●
● ● ●●●
●●●●
●●●●●
● ●●●● ●●●● ●
● ●● ●
● ●●
● ●● ● ●●●
● ● ● ●● ●●●●● ●●●
●●●●●●● ●●●●●● ●●●●● ●
● ● ● ● ● ● ● ● ●
● ● ● ● ● ●● ●
●
●●● ●●●●●●●●●● ●
●
●●
●● ● ●●●●●● ●●
● ●●● ●●
●
●●
●
●
● ●●
●●● ●
●
●
● 70
● ● ● ● ● ● ●
● ● ● ● ● ● ● ● ● ●● ●
● ●● ● ● ●
● ● ● ● ●●
● ●●
● ● ● ●●●
0.5
●
●● ● ●●●●●●●●●● ●
●● ● ● ● ●●● ● ● ● ● ●
● ●
● ● ● ● ●
●●●● ● ●●
● ●● ● ● ●
●●● ●
●● ●
●
●● ●
● ● ●●● ● ●
● ●● ● ● ● ● ●●
● ●●●●
●● ● ● ●●● ● ● ●●●● ● ●● ●●●●
● ● ● ● ● ● ● ●●● ●●● ●
● ●● ●●●● ●
● ●●●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●
●●●
● ●●● ●● ●
● ● ●
●●●●●
● ●● ● ●
●● ●
●●
● ● ● ● ●● ●●● ●● ●
●● ● ● ●● ● ●●
● ● ● ●
●
●
●●●●
● ● ● ●● ●●●
●●●●
●
●●● ● ● ●● ● ● ●
●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●
●
●●
●
●●
●
●●
●●●●●
●●●
●●●
●
● ●
●●●●
●●●●●
●●●●●●●
● ●●● ●
●
● ● ● ● ●● ●
● ● ● ● ●●
●●
●●● ●
●
●
●
● ● ● ●● ● ● ● ●
●●●● ●● ● ● ● ●
● ● ●
●
● ● ● ●● ● ●
● ●●●
●
●●●
●
●●●
●
●●
● 60
● ● ● ●
●
●● ●●
●● ●
●
● ● ●●●
● ● ●
●●●●● ●
● ●
● ●
● ●
●● ●
●●● ●
●●● ● ● ● ● ●
● ● ● ●● ● ● ● ● ● ● ● ●
● ●●●● ● ● ●
● ● ●●● ●●
●
●●
●
● ●●
● ●●
●●● ● ●●
● ● ●●
● ●
●● ●●●● ● ●
●
●
●●
●
●●● ●●●●●
● ● ●● ●●●
● ● ●● ●●●●●●● ● ●●●●● ●●
● ● ● ● ●●●
● ●
●●●● ●
●
●
● ●● ● ●
● ●
●
● ●● ● ●● ● ●
● ● ●
●●● ● ● ●
● ● ● ● ● ● ● ● ● ●
● ● ● ● ●● ● ● ● ●● ● ● ● ● ● ●● ● ● ●●● ● ● ● ● ● ●
●●●●● ● ● ● ● ● ●
●● ● ●
● ● ●●● ●
● ●
●●
●●●●●● ●●●●●
●●●
●●●●
●
● ●●
●●●●●●●●
● ●●●●●●● ●● ● ● ● ● ●●● ● ●● ●●●●●●●●● ●●●●●●● ●
●● ● ●●●●●●●●●●
● ●●●●●●●●●●
●● ●●●
●●● ●●●●● ●●●●●●● ●●●●●●
● ● ● ●● ●● ● ●●● ●●● ●
●
●
● ●
● ● ● ●●
● ●●
● ●
●
● ●
● ●
● ● ●●
● ● ●
●
●
● ● ●●
●
● ●
● ●
● ●
● ● ● ● ● ● ● ● ● ● ● ●●● ● ● ●
● ●
● ●
●●
● ●
●
●●●
● ● ● ● ●
● ●●
●
●
●●●
●
●
●
●
●
● ●
●
●●
●
●
●●● ●
●
●●
● ●●
● ●
● ●
●
●●
● ● ● ● ● ● ●
● ● ●
● ●
● ●
● ●●
● ● ●
● ● ●
● ●
●
●
● ● ● ● ●●
●
● ●
●
● ●
● ● ●●
● ●●
● ●●
● ● ●
● ●
●
●● ●
● ●
●
● ●
● ●
● ● ●
● ●●
●
●●●
● ●
●●●●
● ●●●●●●● ●●●●●●
● ●●●●●●●●●●● ●●●●●●● ● ●●●● ● ● ●●●●●●● ●●● ●●●●●●
● ●●●● ●● ●
●●● ●●●●●● ●
●●● ●●●●●
●●
● ●●
● ●●●● ●
●●●
● ● ●
●●● ●● ●
●●●●● ● ● ●
●●●
●●●●●●●
● ●
●●● ● ●●●●●●●●●
●●● ●●●●●●● ●
●● ●
● ● ● ●
● ● ●
●●● ●●
0.0
● ●●●●●● ●●● ● ● ●● ●●●● ●●●●● ● ● ●●●● ● ● ●●● ●●●●●●●●●●●● ● ●●● ●● ● ●●●●● ● ●●● ●●●●
● ● ●●●●●●
● ● ●●● ●●●●●●● ●●●●●●
● ●●●
● ●●●●●●●
● ● ●●● ●●●
● ●●●●●●●●●●●●●
●●●●● ●●● ●
●
●
●
●
●
● ●
●●●●● ●●● ●
●●● ●●●
●
●●
● ●
●
● ●●● ●
●
●●● ●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
● ● ●
●●●● ●● ●
● ●●●
● ●
● ● ● ● ●● ●
● ●● ●
●●
●
●
●●●
●●●
●●
●
● ● ●
●●●●●
● ●●
● ●
●
●●
●
●
●●
●
●
● ●
●
●●●
●
●
●
●
●●●
●
●●
●●
●●
●
● ●
● ●
●
●● ● ●
●●
●
●
●●
●●
●
●
●●
●
●
●
●
●
●
● ●●
●
●
●
●●
●
●
●●●
●●
●
●
●●●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
● ●
●●
●
●
● ●
●
●
●●●
● ●●
●
●
●●
●
●
●●
● ●
●
●●
●
●
●●
●
●
●●●
●●
●
●
●
●●●
●●
●
●
●
●●●
●
●
●
●●● ●
● ●
●
●
●●● ●
●●●
●●
●
●
●
●●
●●
●
●
●●
●
●●
●
●
●
●
●●
●●
●
●●
●●
●
●
●●●
●
●●
●
●
●
●●●
●●
●
●
●
●●●
●●●
●●
●
●
●●
●
●
●
●●●
●
●●
●
●
●●
●
●
●●●
●●
●
●
●
●●
●
●
●●
●
● 50
●●
● ● ●● ●● ● ●
● ● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●● ● ●
● ● ●
● ●
● ● ●●
● ●●● ● ● ●
● ●
● ●●
● ●
● ●●
● ●●
● ● ●
● ●
● ● ● ● ●
● ●●
● ●●● ● ● ●
● ●●
● ●
● ● ●
● ●
● ●●
● ● ● ● ●●
● ● ●
● ● ●
● ●
● ●
● ●
● ● ● ●
● ●●●●● ●
● ●
● ● ●
●
●●● ● ●
●●● ●
●● ● ● ● ● ●
● ● ● ● ●●●●●
●●● ● ●
●● ●● ● ●
● ● ●
●●● ● ●
●● ●● ● ●
● ● ● ●● ●● ●● ●
● ● ●●●
●●●
●●● ● ●
●●● ● ●
●● ●● ● ●
●●●●● ● ● ● ●
● ●● ●● ●
●●● ● ●
●●●
● ●
● ●● ●
●●●
●●● ● ●
● ●
●
● ●● ● ● ● ●● ● ●
● ●●● ● ● ●
● ● ●●●
●●●●● ● ● ●
●● ● ● ● ●
● ● ●● ● ●●
● ● ● ●
● ● ●● ● ● ●● ● ● ●
●● ●●●● ●
● ● ●
●● ●
●● ●●
●●●
● ●
●
● ●
● ●●
● ●●
●
●
●●● ●●●
●
●● ●
● ●●
●
●
● ●
● ●● ●
● ● ●
● ●
● ● ●
● ● ● ●●
● ● ● ●
●●●●●
●●● ●●
●●
●
● ●●
● ● ●
● ●●●●●●●●
● ●●●●● ●
●
●●
●
●
●
●●●● ● ● ● ● ● ● ● ●●●● ● ●● ● ●●● ●●●● ●●
● ● ●
●
●
● ● ●● ● ● ●● ● ● ●● ● ●●
● ●
● ● ●
● ●●
●
●
●
● ● ●
●●● ● ● ● ●
●● ● ● ● ●●
●●● ●
● ● ● ● ●
●● ● ● ● ● ●● ● ● ● ●
● ● ● ●●● ● ●
●●● ● ●●●
●●● ●
●
●●● ●
●●●●● ●
●●● ● ● ●
●●● ● ●
●●● ● ● ●
●●● ●
●●●●● ● ●● ● ● ● ●● ● ● ●
● ● ● ● ●● ● ● ● ●● ● ● ● ●●● ● ●
●● ●● ●
●●●
●● ●●● ●● ● ● ●● ●●● ●●● ● ● ●●
●●●● ●●
●●● ●
● ●●
● ●● ● ●●● ● ●● ●●●● ● ●●●●●●
●
● ● ●● ● ●●
●
●
●●●●● ●●
● ● ●
●● ●●● ●
●●
●●●● ●●●●
● ●● ●●
●
● ●● ● ● ● ● ●●● ●
● ● ●●● ●●● ● ● ●● ● ● ● ● ● ●● ● ● ●●●●● ● ●●●●● ● ●● ● ●●●
●
● ● ● ● ●
●●● ● ● ●
● ● ●
● ●●●
●●● ●●● ●
●●●●● ●●●
●●●
●●●
●●●
● ● ●
●●
● ● ●
●
●●● ● ● ●
● ● ● ●
●● ● ●
● ●● ●
●●●●● ● ● ● ● ● ● ● ● ●
●● ● ● ● ● ● ● ●
● ● ● ● ●● ● ● ● ●● ● ● ● ●
● ●
●●● ●
● ●● ● ● ● ● ●● ● ● ● ● ● ● ●●
● ●
●●
●
●
●●●●
●
●
●●
●●
●●●●●
●
●
● ● ●●
● ●●
● ● ● ●●
● ● ● ●●● ●●●
● ●
●●
● ●
● ●●
● ●● ● ●●
●
● ●
●●
●
● ●●
●●●
●●● ●●●●
●
●●
●
●
●●
●
●●
●
●●
● ●● ●●●
● ● ● ● ● ● ● ● ●● ● ●
● ● ●● ●●●●
● ● ● ●● ● ● ● ● ● ●● ●
●●● ●●
● ● ● ● ● ● ●● 40
● ● ●
● ●●● ●
●●● ●●● ● ●
●● ● ● ● ●
● ●●● ● ● ● ●●●●● ● ●
●● ● ●●
●●●
●●●
●●● ●
●● ●● ●
●●● ● ●
●●● ●
●● ● ●
●●● ● ●
● ● ●● ●
● ● ●● ● ● ●●
●●
● ●●● ● ●●● ● ●● ● ● ●
● ●●
● ●● ● ●●●●
● ● ●●●●● ●●● ●
● ●●
● ●●
● ● ●
● ●
● ●
● ● ● ● ● ●● ● ● ● ●●●
● ●● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●● ●●● ● ● ●
−0.5
●●●●●●● ●● ●●●●●●●●●●● ● ● ● ●●●●● ●●●●●● ● ● ● ● ●●

●●●
● ● ●● ●
● ● ● ● ●● ●●● ●● ●●● ● ● ●
● ●●
● ● ●●
● ●● ●
● ●● ● ● ● ●
● ●
●●● ● ● ● ● ● ● ● ●● ● ● ●
●●● ●●●● ● ● ● ● ●
●● ● ●● ●● ● ● ●●●●● ● ●
●● ● ●● ● ● ●● ●●●● ●
●●●●●● ●● ●
● ● ● ● ● ●● ●●●●●● ● ●●
●
●●● ● ● ● ● ● ● ●●
●
●●● ● ●● ● ●●●
● ● ● ●● ●
●●●●
● ●● 30
● ●● ● ● ●●
● ●●● ● ●● ●
●●● ● ●● ●●● ●●
● ● ● ● ● ●
●● ● ● ● ●
●
● ● ●● ● ● ●●
●●● ● ●
●● ● ●
●● ●●
●● ● ● ●●
● ● ● ● ●●
● ●● ●● 20
−1.0
●● ●●
● ●● ●
● ●●● ●● ●
● ●
●
●
● ●●
● 10
● ●
●
●
●
−1.5
1900 1920 1940 1960 1980 2000 2020
Année
Figure 5.12 – Visualisation des pseudo-résidus, t 7! "bx,t .
section précédente, pour lesquels on calcule les logarithmes des taux de décès instantanés (pour
l’année an=1986) :
> source("fitModels.r")
> Deces <- Deces[Deces$Age<90,]
> Expo <- Expo[EXPOSURE$Age<90,]
> XV <- unique(Deces$Age)
> YV <- unique(Deces$Year)
> ETF <- t(matrix(Expo[,3],length(XV),length(YV)))
> DTF <- t(matrix(Deces[,3],length(XV),length(YV)))
> ETH <- t(matrix(Expo[,4],length(XV),length(YV)))
> DTH <- t(matrix(Deces[,4],length(XV),length(YV)))
> WA <- matrix(1,length(YV),length(XV))
> LCF <- fit701(xv=XV,yv=YV,etx=ETF,dtx=DTF,wa=WA)
> LCH <- fit701(xv=XV,yv=YV,etx=ETH,dtx=DTH,wa=WA)
On peut ainsi comparer les coefficients ↵x et x entre les hommes et les femmes, comme sur
la Figure 5.13
> plot(LCF$x,LCF$beta1,type="l",xlab="Age")
> lines(LCH$x,LCH$beta1,col="grey")
> legend(40,-6,c("Femmes","Hommes"),lty=1,
+ lwd=1,col=c("grey","black"),bty="n")
> plot(LCF$x,LCF$beta2,type="l",xlab="Age")
> lines(LCH$x,LCH$beta2,col="grey")
> legend(40,.022,c("Femmes","Hommes"),lty=1,
+ lwd=1,col=c("grey","black"),bty="n")
Femmes
−2
Hommes
0.020
−3
0.015
−4
LCF$beta1
LCF$beta2
−5
0.010
−6
Femmes
Hommes
−7
0.005
0 20 40 60 80 0 20 40 60 80
Age Age
Figure 5.13 – Evolution de x 7! ↵x (à gauche) et x 7! x (à droite), pour les Hommes - en
trait sombre - et pour les Femmes - en trait grisé.
Il est aussi possible d’estimer les coefficients t sur la période passée, que l’on peut visualiser
sur la Figure 5.14
> plot(LCF$y,LCF$kappa2,type="l",xlab="Ann\’ee")
> lines(LCH$y,LCH$kappa2,col="grey")
Notons que plusieurs fonctions sont proposées ici, correspondant soit à des
(1) (2) (2)
– log µ(x, t) = x + x t ,
(1) (2) (2) (3) (3)
– log µ(x, t) = x + x t + x t x ,
(1) (2) (3)
– log µ(x, t) = x + t + t x,
µ(x,t) ) (1) (2)
– logitq(x, t) = logit(1 e = t + (x ↵)t ,
– logitq(x, t) = logit(1 e µ(x,t) ) = (1) + (x (2)
↵)t +
(3)
t t x.
5.2.3 La library(gnm)
Les deux exemples ci-dessus s’appuyaient sur des implémentations (directes) du modèle de
Lee-Carter. Avec des algorithmes optimisés pour estimer les coefficients ↵x , x et t . Mais on
peut e↵ectuer l’estimation des paramètres du modèle en s’appuyant sur sa variante log-Poisson,
qui conduit formellement à mettre en oeuvre un modèle linéaire généralisé. Ou plutôt nonlinéaire
car les facteurs interviennent sous la forme ↵x + x · t , que ne peut pas se mettre sous une forme
linéaire. On peut donc utiliser la library(gnm), et lancer une régression à l’aide d’un outil plus
général.
> library(gnm)
> Y <- Deces$Male
> E <- Expo$Male
100
50
LCF$kappa2
0
−50
−100
−150
1900 1920 1940 1960 1980 2000
Année
Figure 5.14 – Evolution de t 7! t pour les Hommes - en trait sombre - et pour les Femmes -
en trait grisé.
> Age <- Deces$Age

> Year <- Deces$Year
> I <- (Deces$Age<100)
> base <- data.frame(Y=Y[I],E=E[I],Age=Age[I],Year=Year[I])
> REG <- gnm(Y~factor(Age)+Mult((factor(Age)),factor(Year)),
+ data=base,offset=log(E),family=quasipoisson)
Initialising
Running start-up iterations..
Running main iterations.........................
Done
Comme il y a plus de 300 coefficients estimés, il convient d’aller chercher les ↵x , les x et les
t au bon endroit.
> names(REG$coefficients[c(1:5,93:103)])
> nomvar <- names(REG$coefficients)
> nb3 <- substr(nomvar,nchar(nomvar)-3,nchar(nomvar))
> nb1 <- substr(nomvar,nchar(nomvar),nchar(nomvar))
> nb <- nb3
> nb[substr(nb,1,1)=="g"]<- nb1[substr(nb,1,1)=="g"]
> nb[substr(nb,1,1)=="e"]<- nb2[substr(nb,1,1)=="e"]
> nb <- as.numeric(nb)
> I <- which(abs(diff(nb))>1)
Par exemple pour les coefficients ↵x et , le code R est le suivant, et les coefficients peut être
visualisés sur la Figure 5.15
> plot(nb[2:I[1]],REG$coefficients[2:I[1]],xlab="Age")
> plot(nb[(I[1]+1):(I[2])],REG$coefficients[(I[1]+1):(I[2])],xlab="Age")
● ●
●
●●
●● ● ●
●●
2
●
● ●
● ●
●
● ●●
● ●
● ●●
● ●●●
● ●●●● ● ● ●●
●●●● ● ●●●●●●●●●●●●●● ●
● ●●
●●
−0.2
●
● ●●
● ●
1
● ●
● ●
● ●
● ●
● ●
●
REG$coefficients[(I[1] + 1):(I[2])]
● ●
● ●
●
●
REG$coefficients[2:I[1]]
● ●
0
●
● ●
●
●
● ●
−0.4
●
● ●
●
●
●
● ●● ●
●
−1
● ●
●
●
● ● ●
●
● ●
● ●
●● ● ●
●
● ● ●●
● ●
●● ● ●
●
−2
● ●
●●
−0.6
●● ● ●
●● ●
●●
●● ●
● ●
●
●●
●● ●
● ●●●●●●●● ●
● ●
−3
●● ●
● ● ●
● ● ●
●
● ●
−0.8
● ●
●
−4
● ● ●
● ●
●● ● ● ●●●
● ●
0 20 40 60 80 100 0 20 40 60 80 100
Age Age
Figure 5.15 – Evolution de x 7! ↵x (à gauche) et x 7! x (à droite) pour les Hommes, en
France.
On peut aussi visualiser les coefficients t , comme sur la Figure 5.16

> plot(nb[(I[2]+1):length(nb)],REG$coefficients[(I[2]+1):length(nb)],
+ xlab="Ann\’ee",type="l")
Le code peut être un peu long à faire tourner, mais ce code permet d’implémenter n’importe
quel modèle de démographie (nous présenterons une application dans la dernière section en
introduisant un e↵et cohorte). De plus, cette fonction ne permet pas de prendre en compte les
contraintes d’identifiabilité imposées avec les deux autres fonctions. D’où une estimation des 
opposée à celle obtenue avec les deux autres fonctions
5.2.4 Comparaison des trois algorithmes

Afin de faire une comparaison rapide, plaçons nous en un point particulier de la surface de
mortalité, e.g. x = 40 et t = 1980. Les trois jeux d’estimateurs des coefficients sont les suivants
> x <- 40
> t <- 1980
> param <- matrix(NA,3,3)
> param[1,] <- c(LCH.lca$ax[LCH.lca$age==x],
+ LCH.lca$bx[LCH.lca$age==x],
+ LCH.lca$kt[LCH.lca$year==t])
> param[2,] <- c(LCH.fit701$beta1[LCH.fit701$x==x],
4
2
REG$coefficients[(I[2] + 1):length(nb)]
0
−2
−4
1900 1920 1940 1960 1980 2000
Année
Figure 5.16 – Evolution de t 7! t pour les Hommes, en France.
+ LCH.fit701$beta2[LCH.fit701$x==x],
+ LCH.fit701$kappa2[LCH.fit701$y==t])
> param[3,] <- c(REG$coefficients[41]+
+ REG$coefficients[1],REG$coefficients[141],
+ REG$coefficients[282])
> param
[,1] [,2] [,3]
[1,] -5.175210 0.01128062 -44.2225390
[2,] -5.168065 0.01114861 -45.5798063
[3,] -5.604863 0.55793271 -0.1244905
avec en ligne respectivement la fonction lca, la fonction fit701 et la fonction gnm, et en colonne
↵x , x et t . Les deux premières fonctions utilisent la même containte sur les x , il est donc
rassurant d’avoir les mêmes ordres de grandeurs :
> sum(LCH.lca$bx)
[1] 1
> sum(LCH.fit701$beta2)
[1] 1
Toutefois, si on compare les prédictions faites sur les taux de mortalité, les ordres de gran-
deurs sont comparables,
> exp(param[,1]+param[,2]*param[,3])
[1] 0.003433870 0.003426497 0.003433001
pour les trois modèles.
5.3 Utilisation du modèle de Lee-Carter projeté
A l’aide des techniques présentées auparavant, c’est à dire l’estimation des ↵x , x , t , et
des t projetśur le futur, il est possible de calculer d’autres quantités, dans un contexte de
valorisation de produits d’assurance-vie.
5.3.1 Calcul des espérances de vie

Utilisons par exemple les sorties de la fonction lca de library(demography) pour calculer
des estimations des taux de mortalité, ainsi que des projections pour le futur,
> LCH <- lca(BASEH)
> LCHf<-forecast(LCH,h=100)
> A <- LCH$ax
> B <- LCH$bx
> K1 <- LCH$kt
> K2 <- K1[length(K1)]+LCHf$kt.f$mean
> K <- c(K1,K2)
> MU <- matrix(NA,length(A),length(K))
> for(i in 1:length(A)){
+ for(j in 1:length(K)){
+ MU[i,j] <- exp(A[i]+B[i]*K[j])
+ }}
Au début du chapitre, nous avions visualisé la surface du taux de mortalité log µx,t entre
bx,t entre 2005 et 2105, comme sur la
1900 et 2005. Il est alors possible de visualiser en plus log µ
Figure 5.17
> persp(LCH$age,c(LCH$year,LCHf$year),log(MU),
+ xlab="Age",ylab="Ann\’ee",
+ zlab="Taux de d\’ecès (log)",theta=30)
On peut alors en déduire l’analogue dynamique des k px , en t = 2000, en fonction de k (i.e.
la fonction de survie de la durée de vie résiduelle)
> t <- 2000
> x <- 40
> s <- seq(0,99-x-1)
> MUd <- MU[x+1+s,t+s-1898]
> (Pxt <- cumprod(exp(-diag(MUd))))
[1] 0.99838440 0.99663098 0.99469369 0.99248602 0.99030804 0.98782725 0.98504242
[8] 0.98193715 0.97845243 0.97467199 0.97047250 0.96582764 0.96088832 0.95550220
[15] 0.94965857 0.94336539 0.93658314 0.92930373 0.92154725 0.91319233 0.90438349
[22] 0.89480210 0.88472880 0.87396961 0.86265381 0.85073003 0.83801863 0.82466285
[29] 0.81038237 0.79546804 0.77988277 0.76302933 0.74551160 0.72697144 0.70739380
[36] 0.68689788 0.66487519 0.64171557 0.61723877 0.59149492 0.56434547 0.53479039
[43] 0.50445361 0.47249581 0.43977367 0.40591799 0.37078337 0.33562397 0.29958914
[50] 0.26442814 0.22994614 0.19533606 0.16340038 0.13465331 0.10752312 0.08461961
[57] 0.06521622 0.04858994 0.03578809
On peut ainsi calculer les espérances de vie résiduelles pour des individus âgés de x = 40
ans, à di↵érentes dates,
Taux de dé
cès (log)
e
né
An
Age
Figure 5.17 – Evolution de (x, t) 7! log µ

bx,t pour les Hommes, en France.
> x <- 40
> E <- rep(NA,150)
> for(t in 1900:2040){
+ s <- seq(0,90-x-1)
+ MUd <- MU[x+1+s,t+s-1898]
+ Pxt <- cumprod(exp(-diag(MUd)))
+ ext <- sum(Pxt)
+ E[t-1899] <- ext}
La Figure 5.18 (à gauche) permet de visualiser l’espérance de vie résiduelle à 40 ans, et son
évolution au cours du temps (entre 1900 et 2050)
> plot(1900:2049,E,xlab="Ann\’ee",ylab="Esp\’erance de vie r\’esiduelle
+ (à 40 ans)",main="Esp\’erance de vie r\’esiduelle (à 40 ans)",type="l")
5.3.2 Valorisation de contrats d’assurance

On peut aussi valoriser des contrats d’assurance-vie. Considérons ainsi un individu qui sou-
haite une rente vie entière di↵érée. On cherche alors la valeur actuelle probable du contrat achet’e
par un assuré d’âge x = 40, qui souhaite toucher 1 (à terme échu) jusqu’`’a sa mort, à partir de
x + n = 70 ans (i.e. di↵érées de n = 30 ans).
> x <- 40
> r <- .035
> m <- 70
> VV <- rep(NA,141)
> for(t in 1900:2040){
+ s <- seq(0,90-x-1)
+ MUd <- MU[x+1+s,t+s-1898]
+ Pxt <- cumprod(exp(-diag(MUd)))
+ h <- seq(0,30)
+ V <- 1/(1+r)^(m-x+h)*Pxt[m-x+h]
+ VV[t-1899] <- sum(V,na.rm=TRUE)}
> plot(1900:2040,VV,xlab="Ann\’ee",ylab="",
+ main="VAP d’une rente vie entière",type="l")
L’évolution du prix d’un tel contrat peut être visualisé sur la Figure 5.18
Espérance de vie résiduelle VAP d'une rente vie entière
3.5
40
Espérance de vie résiduelle à 40 ans
3.0
35
2.5
2.0
30
1.5
1900 1950 2000 2050 1900 1920 1940 1960 1980 2000 2020 2040
Année Année
Figure 5.18 – Evolution de l’espérance de vie résiduelle pour les Hommes de 40 ans, en France,
à gauche, et évolution de la valeur actuelle probable d’une rente vie entière di↵érée achetée
l’année t par un assuré de 40 ans.
Approche fonctionnelle des taux de mortalité
Les taux de mortalitéau peuvent être vues comme des fonctions.

> library(fts)
> rownames(MUH)=AGE
> colnames(MUH)=YEAR
> rownames(MUF)=AGE
> colnames(MUF)=YEAR
> MUH=MUH[1:90,]
> MUF=MUF[1:90,]
> MUHF=fts(x = AGE[1:90], y = log(MUH), xname = "Age",
+ yname = "Log Mortality Rate")
> MUFF=fts(x = AGE[1:90], y = log(MUF), xname = "Age",
+ yname = "Log Mortality Rate")
On peut aussi projeter les fonctions sur les deux deux premiers axes d’une analyse en com-
posantes principales,
> fboxplot(data = MUHF, plot.type = "functional", type = "bag")
> fboxplot(data = MUHF, plot.type = "bivariate", type = "bag")
1914 1919
1915 1940
1916 1943
1915
1914●
● ●
1917 1944 ●
1918 1945
−2
1916● ●
4
1918● ●
1944● ●
●
●●
●
●
●
●
●
● ● ●
● 1917● ●
● ●
● 1940● ●
−4
●
●
Log Mortality Rate
3
●
●
1943● ●
PC score 2
●
●
●
●●
●
●
●
●●
●
2
●
●●
−6
● ●●
1919● ●
1945●
●
● ●
●
●
●● ●
1
●
●
●
●
●
● ●
● ●
● ● ● ●
●●
●● ● ● ● ●● ● ●
●
−8
● ● ● ● ●●
●
●
●
● ●
●
●
0
● ● ●
●
●
●● ●● ●
●● ●
●
● ● ●
●● ● ●
−5 0 5 10 15
PC score 1
0 20 40 60 80
Age
Figure 5.19 – Détection d’années ‘aberrantes’ dans le modèle de Lee-Carter.
5.4 Aller plus loin que le modèle de Lee-Carter

5.4.1 Prise en compte d’un e↵et cohorte
L’idée est ici de rajouter un nouveau terme dans le modèle de Lee-Carter, intégrant un e↵et
cohorte, c’est à dire un terme dépendant de l’année de naissance t x. On a ainsi
log µx,t = ↵x + x · t + x · t x + ⌘x,t ,
en reprenant la modélisation proposée dans Renshaw & Haberman (2006).

A l’aide de la fonction gnm il est facile de rajouter autant de terme que l’on veut dans le
modèle (à condition que le modèle soit identifiable, moyennant souvent quelques contraintes
supplémentaires). Ici, on va donc créer un troisième facteur, en plus de l’âge x et de la date t,
> library(gnm)
> Y <- Deces$Male
> E <- Expo$Male
> Age <- Deces$Age
> Year <- Deces$Year
> Cohorte <- Year-Age
> I <- (Deces$Age<100)
> base <- data.frame(Y=Y[I],E=E[I],Age=Age[I],Year=Year[I], Cohorte = Cohorte[I])
> REG <- gnm(Y~factor(Age)+Mult((factor(Age)),factor(Year))+
+ Mult((factor(Age)),factor(Cohorte)),
+ data=base,offset=log(E),family=quasipoisson)
Initialising
Running start-up iterations..
Running main iterations..........................................................
Done
L’avantage est qu’il n’est pas nécessaire de projeter le coefficient de cohorte puisque l’on
considère uniquement des projections pour des personnes qui pourraient acheter des contrats
aujourd’hui, et dont la cohorte a pu être observée. Comme auparavant, il faut aller chercher les
coefficients dans la sortie de la régression,
> nomvar <- names(REG$coefficients)
> nb1 <- substr(nomvar,nchar(nomvar),nchar(nomvar))
> nb <- nb3
> nb[substr(nb,1,1)=="g"]<- nb1[substr(nb,1,1)=="g"]
> nb[substr(nb,1,1)=="e"]<- nb2[substr(nb,1,1)=="e"]
> nb <- as.numeric(nb)
> I <- which(abs(diff(nb))>1)
On peut alors représenter l’ensemble des coefficients. Le coefficient ↵ a la même allure qu’au-
paravant (ce qui est normal car il représente la mortalité moyenne par âge). En revanche, pour
les coefficients liés au temps ou à la cohorte, on a les résultats suivants. La Figure 5.20 représente
l’évolution des x et t (respectivement à gauche et à droite),
> #plot(nb[2:I[1]],REG$coefficients[2:I[1]],xlab="Age")
> plot(nb[(I[2]+1):(I[3])],REG$coefficients[(I[2]+1):(I[3])],xlab="Ann\’ee")
La Figure 5.21 représente l’évolution des coefficients x et t x (respectivement à gauche et
à droite),
> plot(nb[(I[4]+1):length(nb)],REG$coefficients[(I[4]+1):length(nb)],
+ xlab="Ann\’ee (cohorte)",ylim=c(-5,3))
5.5 Exercices
Exercise 5.5.1. A l’aide des modèles ajustés sur les données françaises, commentez l’affirma-
tion ”tous les ans, on gagne un trimestre d’espérance de vie”.
Exercise 5.5.2. A l’aide des tables de mortalités Canadiennes CAN.Deces et CAN.Expo, calibrer
un modèle de Lee-Carter, et comparer les espérances de vie à la naissance entre les Canadiens
et les Français.
0.0
● ●●●●●●●●●●● ● ●●
● ●●●●●● ●
●●●●● ● ●●●●●●●● ●●●●●●●●
●● ● ●
● ●
●● ●●
● ●
● ●
●
●●● ● ●
−0.2
● ●
● ● ●
●●
● ● ●
2
●●● ●●
● ● ●●
●●●●● ●
● ● ●
●
●●
● ● ●
●
● ●●
●
●
−0.4
●
●●
● ●
●●●
● ● ●●●●●●
●●●●●
● ●●●●
●●
0
●●
● ●●
●
−0.6
●
●
●
●
●
●●●
● ●●● ● ●
●● ●
●●●
●●●●●
−2
−0.8
● ●●
●●●
●●●
● ●●●●●● ●
●●●
●
●
● ● ●
●
●
●
−1.0
●
●
●
−4
●
● ●●
●●● ●
●●● ●
0 20 40 60 80 100 1900 1920 1940 1960 1980 2000
Age Année
Figure 5.20 – Evolution des coefficients x et t pour les Hommes en France dans le modèle
avec un e↵et cohorte.
● ●
● ●●
●●●● ● ●
10
● ●●
0.6
●
●
●●
●● ●
●
●
●
●
● ●
● ●
● ●
●
●
●●
●
● ●●
●
0.5
●
● ●
●
●
REG$coefficients[(I[4] + 1):length(nb)]
●
●
● ●
●
5
●
●
●
●
● ●
●
●
0.4
●
●
● ●
●●
●
● ●
●
● ● ●
●
●
● ●
● ●
●
● ●
● ●
0.3
● ●
● ●
0
● ● ●
● ●
●
●
●
●
● ●
●
●
● ●● ●●●
● ●
●●●
● ● ●● ●
● ●●
●
0.2
● ●● ●
●● ●
● ●● ●●
●
● ●● ●
●●●
●●
● ●● ● ●●
● ● ● ●●
●● ●
● ●●
● ● ● ●●
●● ● ●
●●
−5
●
● ●●●
●●●● ●● ●
●
●
●
● ●●●●●
●
●● ●●● ●
●●●
0.1
● ●●●●● ●
● ●●
●
● ●●
●●
●●
●
●●
●● ●●●●
●●
● ●●
●●●● ●
●● ●●
●●
●●●●
●●●●● ●●●●●
● ●●●●
● ●●
●●
● ● ●●●●
●●●●●●●
●●
●
●
●●
●●
●●
●● ●● ●
● ●●●●●
● ●
●● ●
0.0
0 20 40 60 80 100 1800 1850 1900 1950 2000
Age Année (cohorte)
Figure 5.21 – Evolution des coefficients x et t x pour les Hommes en France dans le modèle
avec un e↵et cohorte.
Exercise 5.5.3. A l’aide des tables de mortalités Japonaises JAP.Deces et JAP.Expo, calibrer
un modèle de Lee-Carter, et comparer les espérances de vie à la naissance entre les Japonais et
les Français. Comparer les probabilités d’atteindre 100 ans dans les deux pays.
Exercise 5.5.4. A l’aide des tables de mortalités Suisses CH.Deces et CH.Expo, calibrer un
modèle de Lee-Carter, et comparer les espérances de vie à la naissance entre les Suisses et les
Français.
Exercise 5.5.5. A l’aide des tables de mortalités Belges BEL.Deces et BEL.Expo, calibrer un
modèle de Lee-Carter, et comparer les espérances de vie à la naissance entre les Belges et les
Français.
Exercise 5.5.6. A l’aide des tables de mortalités Néo-Zélandaises NZM.Deces, NZM.Expo, NZNM.Deces
et NZNM.Expo, calibrer deux modèles de Lee-Carter, sur la population Maori (NZM) et non-Maori
(NZNM), et comparer les espérances de vie à la naissance.
Annexe A
Annexes
A.1 Les lois de probabilités

A.1.1 Les lois continues
Traitons le cas où il existe une dérivée à la fonction de répartition appelée fonction de densité
ou plus simplement densité. Il y a une infinité de fonctions qui peuvent et pourraient servir de
densités à une variable aléatoire.
Le système de Pearson
Pearson (1895) a étudié ce sujet et a proposé une approche globale et unifiée à partir d’une
équation di↵érentielle. Une densité f serait solution de l’équation di↵érentielle :
1 df (x) a+x
= . (A.1)
f (x) dx c 0 + c 1 x + c 2 x2
R
Comme f doit représenter une densité, il faut que f soit positive sur D et normalisée D f (x)dx =
1. Ceci impose des contraintes sur les coefficients a, c0 , c1 , c2 .
L’équation A.1 possède les cas particuliers suivants :
- type 0 : les coefficients c1 , c2 sont nuls, alors on la solution de A.1 est
(2a+x)x
f (x) = Ke 2c0 .
On reconnait la loi normale.

- type I : le polynome c0 + c1 x + c2 x2 possède des racines réelles a1 , a2 de signes opposées a1 <
0 < a2 . Donc f a pour expression
f (x) = K(x a1 )m1 (a2 x)m2 ,

a+a1 a+a2
où m1 = c2 (a 2 a1 )
, m2 = c2 (a 2 a1 )
pour x 2] a1 , a1 [\] a2 , a2 [. On reconnait la loi Béta de
première espèce. Si m1 et m2 sont du même signes alors f a une forme en U, sinon une forme
en cloche.
- type II : Le type II correspond au cas où m1 = m2 = m.
- type III : si c2 = 0 et c0 , c1 6= 0 alors le polynome c0 + c1 x + c2 x2 devient de premier degré.
Par conséquent, f devient
f (x) = K(c0 + c1 x)m e x/c1 ,
c0 c0
pour x c1 ou x  c1 . On reconnaitra les lois gamma (incluant donc la loi exponentielle).
185
- type IV : le polynome c0 + c1 x + c2 x2 n’a pas de solutions réelles 1 . On peut néanmoins en
déduire une expression pour f :
✓ ◆
a c1
(2c2 ) 1 p tan 1 px+c1
2 c2 c0 c0 /c2
f (x) = K C0 + c2 (x + C1 ) e .
Barndo↵-Nielsen utilise une approximation de l’expression supra pour obtenir la loi inverse
Gaussienne généralisée.
- type V : si le polynome c0 + c1 x + c2 x2 est un carré parfait, alors l’expression de la densité est
la suivante a C1
f (x) = K(x + C1 ) 1/c2 e c2 (x+C1 ) ,
pour x C1 ou x  C1 . Si le terme exponentiel s’annule alors on a le particulier f (x) =
K(x + C1 ) 1/c2 , où c2 > 0 (c2 < 0) corresponds au type VIII (type IX respectivement).
- type VI : si le polynome c0 + c1 x + c2 x2 possède des racines réelles a1 , a2 de même signe alors
on obtient
f (x) = K(x a1 )m1 (x a2 )m2 ,
pour x max(a1 , a2 ). Ceci corresponds à la loi Béta généralisée.
- type VII : enfin le type VII corresponds au cas “dégénéré” lorsque c1 = a = 0. Ainsi la solution
est
1
f (x) = K(c0 + c2 x2 ) (2c2 ) .
Le type VII corresponds à la loi Student et la loi de Cauchy.
Du système de Pearson, on peut construire toutes les autres lois continunes à l’aide de transfor-
mations “simples” : transformation linéaire, transformation puissance, transformation exponen-
tielle ou logarithme (e.g. la loi log-normale).
Le package PearsonDS implémente les lois de probabilité selon le système de Pearson. Le code
ci-dessous est un exemple très succint de graphiques. Sur la figure A.1, on observe des lois à
supports bornés (Pearson I, II et VI), d’autres à supports positifs (Pearson III, V) ou sur R tout
entier (Pearson 0, IV).
> library(PearsonDS)
> x <- seq(-1, 6, 0.001)
> y0 <- dpearson0(x, 2, 1/2)
> y1 <- dpearsonI(x, 1.5, 2, 0, 2)
> y2 <- dpearsonII(x, 2, 0, 1)
> y3 <- dpearsonIII(x, 3, 0, 1/2)
> y4 <- dpearsonIV(x, 2.5, 1/3, 1, 2/3)
> y5 <- dpearsonV(x, 2.5, -1, 1)
> y6 <- dpearsonVI(x, 1/2, 2/3, 2, 1)
> y7 <- dpearsonVII(x, 3, 4, 1/2)
> plot(x, y0, type="l", ylim=range(y0, y1, y2, y3, y4, y5, y7), ylab="f(x)",
> main="Système de Pearson",lty=1)
> lines(x[y1 != 0], y1[y1 != 0], lty=2)
> lines(x[y2 != 0], y2[y2 != 0], lty=3)
> lines(x[y3 != 0], y3[y3 != 0], lty=4)
> lines(x, y4, col="grey",lty=1)
> lines(x, y5, col="grey",lty=2)
> lines(x[y6 != 0], y6[y6 != 0], col="grey",lty=3)
1. il est toujours strictement positif et peut se réécrire C0 + c2 (x + C1 )2 .
> lines(x[y7 != 0], y7[y7 != 0], col="grey",lty=4)
> legend("topright", leg=paste("Pearson", 0:7), lty=c(1:4,1:4),
+ col=c(rep("black",4),rep("grey",4)))
Système de Pearson
Pearson 0
Pearson 1
Pearson 2
1.5
Pearson 3
Pearson 4
Pearson 5
Pearson 6
Pearson 7
1.0
f(x)
0.5
0.0
−1 0 1 2 3 4 5 6
Figure A.1 – Système de Pearson et formes de principales densités.
A.2 Générateurs aléatoires

Les générateurs aléatoires ont montré un intérêt croissant de la part des scientifiques avec le
développement des méthodes de Monte-Carlo, méthodes consistant à simuler n fois un modèle,
un problème et d’en prendre la quantité empirique désirée (moyenne, quantile, etc. . .). Dans un
premier temps, nous présentons la génération de nombres aléatoires de loi uniforme sur [0, 1] et
dans un second temps leur utilisation pour générer n’importe quelles lois.
A.2.1 Loi uniforme

A ses débuts, la génération de nombre aléatoire se faisait par une mesure de phénomènes phy-
siques aléatoires, telles que le taux de radioactivité de sources nucléaires ou le bruit thermique
de semi-conducteurs. Ces méthodes avaient un gros avantage à savoir générer des nombres par-
faitement aléatoires mais sou↵raient d’un défaut majeur : leur cout en temps et en prix.
Avec le développement de l’ordinateur, les chercheurs mirent au point des algorithmes complètement
déterministes pour générer une suite de nombres à partir d’un nombre initial (appelée graine,
seed en anglais). Les nombres générés sur un ordinateur nous paraissent aléatoires seulement
par ce que la graine est calculée à partir du temps machine (secondes et micro-secondes).
Dans la littérature, trois notions d’aléatoire sont à distinguer : les générateurs vraiment aléatoire
(true randomness en anglais) liés à des mesures de phénomènes physiques, les générateurs pseudo-
aléatoires (pseudo randomness) et les générateurs quasi-aléaoires (quasi randomness) qui sont
des algorithmes déterministes.
Générateurs pseudo-aléatoires
Comme précisé dans L’Ecuyer (1990), un générateur aléatoire se caractérise par un ensemble
d’états S, une loi de probabilité initiale µ sur S, une fonction de transition f : S 7! S, d’un
ensemble de sortie U ⇢ R et d’une fonction de sortie g : S 7! U . D’un état initial s0 donné par
µ, on génére la suite d’états sn = f (sn 1 ) et de nombres réels un = g(sn ).
Jusqu’au début des années 90, f était la fonction congruentielle f (x) = (ax+c) mod m et S = N
et g la fonction proportion g(x) = x/m. Ainsi pour certains a, c, m bien choisis 2 , on pouvait
générer des entiers aléatoires sur entre 0 et 232 et des réels sur 32 bits avec une période dépendant
des paramètres a, c, m. Tout l’enjeu résidait dans le choix de ses paramètres de manière à maxi-
miser la période 3 .
Cette approche comporte des défauts à savoir un temps de calcul élevé 4 et une période courte
(nombres d’états entre deux états identiques). Heureusement pour la science, Matsumoto &
Nishimura (1998) publièrent le très célèbre générateur Mersenne-Twister, révolutionnaire sur
deux points : son temps de calcul et sa période.
Les deux auteurs exploitèrent la structure binaire des ordinateurs à savoir que n’importe quel
entier est representé par ! bits (e.g. ! = 32) et que les opérations élémentaires sont extrêment
peu couteuses.
La récurrence du n + ième terme de MT est la suivante :
xi+n = xi+m (xupp low

i |xi+1 )A,
où n > m sont des entiers constants, xupp i (respectivement xlowi ) désigne la partie supérieure
5
(inférieure) ! r (r) bits du terme xi et A , une ! ⇥ ! matrice de {0, 1}. | est l’opérateur de
concaténation, donc xupp low
i |xi+1 concatène les ! r bits supérieurs de xi avec les r bits inférieurs
de xi+1 .
Matsumoto & Nishimura (1998) ajoute une étape d’ajustement après chaque récurrence pour
augementer l’équidistribution dans l’hypercube unité (voir l’article). Les auteurs fournissent
un jeu de paramètres sélectionné de manière à maximiser la période et assurer une bonne
équidistribution :
– (!, n, m, r) = (32, 624, 397, 31),
– a = 0x9908B0DF, b = 0x9D2C5680, c = 0xEFC60000,
– u = 11, l = 18, s = 7 et t = 15.
La période est de 2n! r 1 = 219937 1, d’où le nom du générateur MT19937.
L’implémentation de MT19937 en C, disponible sur la page des auteurs 6 , est très rapide du fait
de l’utilisation d’opérations systématique bit à bit. D’autres générateurs ont depuis été inventé
utilisant ce formalisme, notamment les générateurs WELL de L’Ecuyer et SFMT de Matsumoto.
MT19937 et ses extensions rentrent dans la catégorie des générateurs pseudo-aléatoires et sont
utilisés dans les méthodes de Monte-Carlo. Par la loi des grands nombres, la moyenne empirique
de l’échantillon (X1 , . . . , Xn ) converge presque surement vers la moyenne théorique E(X). Le
théorème centrale limite nous donne la vitesse de convergence : p1n .
2. Pour m = 231 1, a = 16807 et c = 0, on obtient le générateur de Park-Miller d’une période de 231 .

3. Voir le théorème de Knuth
4. L’opération modulo nécessite
✓ un grand◆nombre de opérations arithmétiques élementaires.
0 I! 1
5. La matrice A est égale à où la multiplication à droite est faite par un décalage de bit à bit
a
et une addition avec un entier a.
6. Téléchargeable à l’adresse http://www.math.sci.hiroshima-u.ac.jp/⇠m-mat/MT/emt.html
Par conséquent, on construit l’intervalle de confiance suivant :

1 1
X n p Sn tn 1,↵ ; X n + p Sn tn 1,↵ ,
n n
où Sn la variance empirique débiaisée et tn 1,↵ le quantile de la loi de Student à n 1 degré de

liberté 7 .
Dans R, le générateur aléatoire utilisé est MT19937 via la fonction runif. D’autres générateurs
sont disponibles notamment Wichman-Hill, Knuth-TAOCP,. . .via la fonction RNGkind. De plus,
le package randtoolbox implémentent des générateurs pseudo-aléatoires plus récents et ran-
dom propose des variables vraiment aléatoires via le site http://www.random.org.
Générateurs quasi-aléatoires
Les méthodes de Monte-Carlo présentent un défaut : une convergence lente. Pour combler ce
problème, deux approches sont envisagées soit par réduction de la variance soit par des méthodes
quasi-aléatoires. Nous détaillerons dans cette section, les méthodes dites quasi-aléatoires.
Soient I d l’hypercube unité de dimension d et f une fonction multivariée bornée et intégrable
sur I d . Les méthodes de Monte-Carlo consiste à approximer l’intégrale de f par
Z n
1X
f (x)dx ⇡ f (Xi ),
Id n
i=1
où (Xi )1in sont des variables aléatoires independantes sur I d . La loi des grands nombres nous
assurent la convergence presque sûre de l’estimateur de Monte-Carlo. Et le théorème centrale
limite nous précise que la vitesse de convergence est en O( p1n ).
La gross di↵érence entre les méthodes pseudo Monte-Carlo et quasi Monte-Carlo (QMC) est de
ne plus considérer les points (xi )1in comme réalisations de variables aléatoires mais comme
points déterministes. Contrairement au tests statistiques, l’intégration numérique ne dépends
pas sur le caractère aléatoire. Les méthodes QMC datent des années 50 pour des problèmes
d’interpolation et de résolution d’intégrales.
Dans la suite, nous considérons les points
R (ui )1in de I d comme déterministes. La condition
1 Pn
de convergence de n i=1 f (ui ) vers I d f (x)dx repose sur la bonne répartition des points dans
l’hypercube I d .
On dit que les points sont uniformément distribués si
n
d 1X
8J ⇢ I , lim 11J (ui ) = d (J),
n!+1 n
i=1
où d désigne le volume en dimension d. Le problème est que ce critère est trop restrictif puisqu’il
y aura toujours un sous ensemble de l’hypercube avec aucun points à l’intérieur.
Par conséquent, on définit
P une définition plus flexible de l’uniformité à l’aide des cardinaux
CardE (u1 , . . . , un ) = ni=1 11E (ui ). La discrépance d’une suite (ui )1in de I d est
CardJ (u1 , . . . , un )
Dn (u) = sup d (J)
J2J n
Qd
où J corresponds à la famille de tous les sous-intervalles du type i=1 [ai , bi ].
7. i.e. P (|Y | > tn 1,↵ ) = ↵ où Y est une variable aléatoire Student.
La discrépance Dn (u) d’une suite nous permet de borner l’erreur de la manière suivante
n Z
1X
f (ui ) f (x)dx  Vd (f )Dn (u),
n Id
i=1
où Vd (f ) est la variation d-dimensionelle au sens de Hardy et Krause (cf. Niederreiter (1992)).
D’où l’intérêt pour les suites à discrépance faible. Les plus connues sont les suites de Van Der
Corput, de Halton et de Sobol.
Dans R, le package randtoolbox implémentent plusieurs suites à discrépance faible, tandis que
le package lhs propose la méthode “Latin Hypercube Sampling”, une méthode hybride quasi et
pseudo aléatoire.
A.2.2 Loi quelconque

En pratique, on ne simule pas des lois uniformes par une loi discrète ou continue particulière.
D’une suite de nombres aléatoires uniformes U1 , . . . , Un , on va donc générer une suite X1 , . . . , Xn
de fonction de répartition F .
On notera que sous R, la plupart des lois usuelles peuvent être simulées directement via des
algorithmes optimisés. La fonction rpois permettra de générer des suites indépendantes suivant
une loi de Poisson, alors que rnorm permettra de générer des suites indépendantes suivant une
loi normale.
Pour simuler suivant une loi composée (e.g. Poisson-exponentielles), on peut utiliser tout sim-
plement
> sum(rexp(rpois(1,lambda),mu)
On peut utiliser ce code pour comparer les résultats de la Figure ?? par la méthode de Panjer,
pour calculer la probabilité que la loi composée dépasse 25,
> nsim <- 100000
> set.seed(1)
> N <- rpois(nsim,lambda)
> X <- rexp(sum(N))
> I <- rep(1:nsim,N)
> S <- as.vector(tapply(X,I,sum))
> sum(S>25)/nsim
[1] 0.00361
Méthode de la transformée inverse

Notons F 1 l’inverse de la fonction de répartition
1
F (u) = inf F (x) u,
x
pour u 2 [0, 1]. Il est facile de voir que la variable F 1 (U1 ) a la même fonction de répartition
que X1 . La méthode de la transformée inverse utilise cette propriété pour donner l’algorithme
suivant
iid
– générer U1 , . . . , Un ⇠ U(0, 1),
– calculer Xi = F 1 (Ui ).
Notons que si X est une variable discrète, F est une fonction en escalier et l’inverse se calcule
par une suite de if-else. Au contraire si X est une variable continue, l’inverse de F peut être une
formule exacte comme pour la loi exponentielle F 1 (u) = log(1 u) . Dans ce cas, la génération
est très rapide.
Méthode Alias
La méthode Alias permet de générer des variables aléatoires discrètes décrites par les probabilités
élémentaires P (X = xk ) pour k = 1, . . . , n. Toutes variables discrètes avec au plus n valeurs
peut être représenté par un mélange équiprobable de n 1 variables discrètes bimodales (i.e. à
2 valeurs). On a
n 1
1 X
P (X = x) = qi (x),
n 1
i=1
où qi (x) sont des fonctions de masse de probabilité non nulles pour deux valeurs xi et yi .
L’algorithme devient
– générer U, V de loi uniforme U (0, 1),
– k = d(n 1)U e,
– si V < qk alors retourner xk sinon retourner yk .
Voir Walker (1977).
Inversion numérique
Dans le cas d’une variable continue X, il n’existe pas forcément d’expression explicite pour
F 1 . Une inversion numérique est néanmoins possible. Leydold et Hormann propose une in-
terpolation polynomiale nécessitant à partir du calcul de p points (ui = F (xi ), xi , fi = f (xi )).
Ensuite F 1 (u) est interpolé par un polynome d’Hermite d’ordre 3 ou 5 8 en utilisant les points
(ui , xi , fi )i .
L’erreur de ces méthodes d’inversion numérique est evidemment controlable. En pratique (Ley-
dold et Hormann), le temps de calcul de ces méthodes est tout à fait acceptable car p (envirion 300
pour une précision de 10 6 ) est relativement faible comparitivement au nombre de réalisations
voulues n. Il existe même des versions pour n’utilisant que la densité f (xi ) et pas la fonction de
répartition. Ceci est particulièrement apprécié pour la loi normale et ses extensions par exemple
Ces méthodes sont disponibles dans le package Runuran écrit par Leydold & Hörmann (2011).
Algorithme du rejet
Si X possède une densité f , l’algorithme du rejet-acceptation consiste à tirer dans des variables
aléatoires d’un loi proche de f (mais plus facile à simuler) et de ne garder que celle qui répondent
à une certaine contrainte.
Notons Y une variable aléatoire de densité et fonction de répartition g et U une variable aléatoire
uniforme. S’il existe une constante C 1 telle que on a la majoration 8x, f (x)  cg(x), alors la
loi conditionnelle de Y sachant que cU g(Y ) < f (Y ) égale celle de X.
Pour générer Xi , l’algorithme est le suivant
Répéter :
– générer U ⇠ U(0, 1),
– générer Y selon g,
tant que cU g(Y ) < f (Y ).
a↵ecter Xi = Y .
Le nombre de rejet suit une loi géométrique de paramètre 1/C. Par conséquent plus l’approxi-
mation est bonne (C proche de 1), plus le nombre de rejets est faible.
8. l’interpolation linéaire (d’ordre 1) n’est pas efficace car le nombre p de points est trop élevé.
A.2.3 Processus aléatoires et Variables multivariées
Des applications d’actuariat nécessiteront la simulation de processus aléatoires et pas seulement
de variables indépendantes. Dans ce cas, l’équation di↵érentielle stochastique doit être discrétisée
de manière à simuler la ième trajectoire “complète” (Xt0 ,i , . . . XtT ,i ) sur [t0 , tT ]. Par conséquent
le nombre de points n(T +1) grandit rapidement. Il faut donc bien réfléchir si toute la trajectoire
du processus est nécessaire ou si seule la valeur terminale où le supremum nous intéresse.
Par exemple, considérons la simulation d’un processus de Poisson. Si on s’intéresse à un processus
de Poisson homogène, d’intensité , on va générer les durées entre sauts, qui sont exponentielles.
Pour générer un vecteur de dates de sauts sur un intervalle de temps [0, T ] on considère le code
suivant
> nmax <- 10000
> ST <- cumsum(rexp(nmax,lambda))
> ST <- ST[ST<=T]
On peut alors construire la fonction t 7! Nt sous la forme
> Nt <- function(t) sum(ST<=t)
Si le processus de Poisson est non-homogène, d’intensité (t) (que l’on supposera bornée par
), il est possible d’utiliser l’algorithme suivant pour générer un processus : on va générer un
processus de Poisson d’intensité , et on utilise une méthode de type acceptation-rejet pour
savoir si on garde un saut.
– poser T0 = 0 et T? = 0,
– générer E exponentielle de moyenne 1 et poser T? = T? + E,
– générer U uniforme sur [0, 1] : si U > (T? )/ on retourne à la seconde étape, et on tire un
nouveau E, sinon on pose Ti = T? .
Une autre possibilité est de noter que pour un processus de Poisson homogène, on partait de
T0 = 0, et on utilisait
Ti = Ti 1 + F 1 (U ),
où F est la fonction de répartition de la loi exponentielle de moyenne 1/ . Ici, on va utiliser
Ti = Ti 1 + FTi 1 1 (U ),
où Fs est la fonction de répartition du temps d’attente entre le Ns ième saut, et le suivant, i.e.
✓Z s+t ◆
Fs (t) = 1 P(Ns+t Ns = 0) = 1 exp (u)du .
s
Ces fonctions sont programmée dans le package PtProcess.

La simulation multivariée nécessite aussi du doigté, car en dehors d’une loi à composante
indépendante, la ième réalisation du vecteur (U1,i , . . . , Ud,i ) n’est pas triviale à calculer. Par
exemple, l’algorithme
P de rejet/acceptation sur la suite (V1,i = 1 2U1,i , . . . , Vd,i = 1 2Ud,i )i
avec la condition j Vj,i 2  1 simule une loi uniforme dans la sphère unité d-dimensionnelle.
La génération d’une loi normale multivariée N (µ, ⌃) est un peu plus complexe :
– générer d variables indépendantes Xi ⇠ N (0, 1),
– calculer la décomposition de Cholesky ⌃ = C 0 C,
– calculer Y = µ + C 0 X.
Notons que si l’on veut simuler une variable multivariée sur l’hyperellypse définie par {x, xT ⌃x 
r}, il suffit de remplacer la première étape par la génération de d variables uniformément dis-
tribuées dans la sphère unité.
> set.seed(1)
> rmultinormal <- function(n,S){
+ Z <- matrix(NA,n,ncol(S))
+ C <- chol(S)
+ for(i in 1:n){Z[i,] <- t(C) %*% rnorm(3)}
+ return(Z)}
> Sigma <- matrix(c(1,.7,.3,.7,1,-.3,.3,-.3,1),3,3)
> rmultinormal(1,Sigma)
[,1] [,2] [,3]
[1,] -0.6264538 -0.3073701 -0.8475816
> cor(rmultinormal(10000,Sigma))
[,1] [,2] [,3]
[1,] 1.0000000 0.7034906 0.2989346
[2,] 0.7034906 1.0000000 -0.2918081
[3,] 0.2989346 -0.2918081 1.0000000
Bibliographie
Amiot, E. (1999), Introduction aux probabilités et à la statistique, Gaetan Morin. 1
Arnold, B. C. (1983), Pareto Distributions, International Co-operative Publishing House. 14
Arnold, B. C. (2008), Pareto distributions, in ‘Encyclopedia of Statistical Sciences’, Wiley In-

terscience. 14
Bailey, A. L. (1950), ‘Credibility procedures, Laplace’s generalization of Bayes’ rule and the
combination of collateral knowledge with observed data’, Proceedings of the Casualty Actuarial
Society 37, 7–23.
Bailey, R. (1963), ‘Insurance rates with minimum bias’, Proceedings of the Society of Actuaries
50, 4–11. 63, 64
Balson, N. (2008), Mesure d’incertitude sur l’estimation des provisions de sinistres en Assurance
Non Vie, Institut des Actuaires - ENSAE. 130
Belhadj, H., Goulet, V. & Ouellet, T. (2009), ‘On parameter estimation in hierarchical credibi-
lity’, ASTIN Bulletin 39(2).
Benktander, G. (1976), ‘An approach to credibility in calculating ibnr for casualty excess rein-
surance’, Actuarial Review 3, 7–31. 127, 128
Bernegger, S. (1997), ‘The swiss re exposure curves and the mbbefd distribution class’, Astin
Bull. 27(1), 99–111. 10, 11
Bowers, N. L., Jones, D. A., Gerber, H. U., Nesbitt, C. J. & Hickman, J. C. (1997), Actuarial
Mathematics, 2nd Edition, SOA. iii, iv
Bühlmann, H. (1967), ‘Experience rating and credibility’, ASTIN Bulletin 4, 199–207.
Bühlmann, H. (1969), ‘Experience rating and credibility’, ASTIN Bulletin 5, 157–165.
Bühlmann, H. & Gisler, A. (1997), ‘Credibility in the regression case revisited’, ASTIN Bulletin
27, 83–98.
Bühlmann, H. & Gisler, A. (2005), A Course in Credibility Theory and its Applications, Springer.
Bühlmann, H. & Jewell, W. S. (1987), ‘Hierarchical credibility revisited’, Bulletin of the Swiss
Association of Actuaries 87, 35–54.
Bühlmann, H. & Straub, E. (1970), ‘Glaubwürdigkeit fur schadensätze’, Bulletin of the Swiss
195
Cairns, A. J. G., Blake, D., Dowd, K., Coughlan, G. D. & Epstein, D. (2008), ‘A Quantitative
Comparison of Stochastic Mortality Models using Data from England and Wales and the
United States’, North American Actuarial Journal 13(1), 1–35. 159
Chambers, J. (2009), Software for Data Analysis : Programming with R, Springer Verlag. iii
Christofides, S. (1989), Regression models based on log-incremental payments, in I. of Actuaries,

ed., ‘Claims Reserving Manual’. 109
Cormen, T. H., Leiserson, C. E., Rivest, R. L. & Stein, C. (2009), Introduction to Algorithms,
The MIT Press. iii
Dagnelie, P. (2007), Statistique théorique et appliquée, De Boeck Université. 21
Dalgaard, P. (2008), Introductory Statistics with R, Springer. 21
Dalgaard, P. (2009), Introductory Statistics with R, Springer Verlag. iii
Davison, A. & Snell, E. (1991), Residuals and diagnostics, in N. R. D.V. Hinkley & E. Snell,
eds, ‘Statistical Theory and Modelling’, Chapman and Hall. 51
Daykin, C. D., Pentikainen, T. & Pesonen, M. (n.d.), Practical Risk Theory for Actuaries,
Chapman and Hall. 12
de Jong, P. & Zeller, G. (2008), Generalized Linear Models for Insurance Data, Cambridge
University Press. iii, 39
De Vylder, F. (1981), ‘Practical credibility theory with emphasis on parameter estimation’,

ASTIN Bulletin 12, 115–131.
De Vylder, F. (22-28), Estimation of ibnr claims by least squares, in ‘Proc. First Meeting
Contact-group Actuarial Sciencesl’. 109
Delmas, J.-F. (2012), Introduction aux probabilités et à la statistique, Ensta. 1
Denuit, M. & Charpentier, A. (2004), Mathématiques de l’assurance non-vie : principes fonda-

mentaux de théorie du risque. Tome 1., Economica. iii, 37
Denuit, M. & Charpentier, A. (2005), Mathématiques de l’assurance non-vie : Tarification et

provisionnement. Tome 2., Economica. iii, 37, 39, 91, 100
Denuit, M. & Robert, C. (2007), Actuariat des Assurances de Personnes : Modélisation, Tarifi-
cation et Provisionnement, Economica. 133, 159
Dickson, D. C., Hardy, M. R. & Waters, R. H. (2009), Actuarial Mathematics for Life Contingent
Risks, Cambridge University Press. iii, iv, 133
Dubey, A. & Gisler, A. (1981), ‘On parameter estimation in credibility’, Bulletin of the Swiss
Dubreuil, E. & Vendé, P. (2005), Les couvertures indicielles en réassurance catastrophe. Prise
en compte de la dépendance spatiale dans la tarification. 30
Dutang, C., Goulet, V. & Pigeon, M. (2008), ‘actuar : An R package for actuarial science’,
Journal of Statistical Software 25(7). 7
Embrechts, P., Klüppelberg, C. & Mikosch, T. (1997), Modelling Extremal Events, Springer. 85
Embrechts, P., Lindskog, F. & McNeil, A. (2001), Modelling dependence with copulas and ap-
plications to risk management, Technical report, ETH Zurich. 13, 15
England, P. D. & Verrall, R. J. (1999), ‘Analytic and bootstrap estimates of prediction errors
in claims reserving’, Insurance : Mathematics and Economics 25, 281–293. 118
Frees, E. (2009), Regression modeling with actuarial and financial applications, Cambridge Uni-
versity Press. iii, 39
Frees, E. W. & Valdez, E. (1998), ‘Understanding Relationships Using Copulas’, North American
Actuarial Journal 2(1). 13
Frees, E. W. & Wang, P. (2006), ‘Copula credibility for aggregate loss models’, Insurance :
Mathematics and Economics 38, 360–373. 13
Friedman, J. (1991), ‘Multivariate additive regression splines’, Annals of Statistics 19(1), 1–67.
72
Genest, C., Kojadinovic, I., Nešlehová, J. & Yan, J. (2011), ‘A goodness-of-fit test for bivariate
extreme-value copulas’, Bernoulli 17(1), 253–275. 33
Gentle, J. (2009), Computational Statistics, Springer Verlag. iii
Gerber, H. & Shiu, E. (1994), ‘Option pricing by esscher transforms’, Transactions of the Society
of Actuaries Society of Actuaries 46, 99–191. 49
Giles, T. L. (1993), ‘Life insurance application of recursive formulas’, Journal of Actuarial Prac-
tice 1(2), 141–151. 147
Gilks, W. & Wild, P. (2004), ‘Adaptive rejection sampling from log-concave density’, Applied
Statistics 42, 701–709.
Goovaerts, M. J. & Hoogstad, W. J. (1987), Credibility Theory, number 4 in ‘Surveys of actuarial

studies’, Nationale-Nederlanden N.V., Netherlands.
Goulet, V. (2008), Credibility, in E. Melnick & B. Everitt, eds, ‘Encyclopedia of Quantitative

Risk Analysis and Assessment’, Wiley.
Hachemeister, C. A. (1975), Credibility for regression models with application to trend, in ‘Cre-
dibility, theory and applications’, Proceedings of the Berkeley actuarial research conference
on credibility, Academic Press, New York, pp. 129–163.
Hachemeister, C. A. & Stanard, J. N. (1975), Ibnr claims count estimation with static lag
functions, in ‘12th ASTIN Colloquium’, Portimao, Portugal. 110
Hastie, T. & Tibshirani, R. (1990), Generalized Additive Models, Chapman and Hall. 69, 72
Hess, C. (2000), Méthodes actuarielles de l’assurance vie, Economica. 133
Hogg, R. V., Craig, A. T. & McKean, J. W. (2005), Introduction to Mathematical Statistics, 6

edn, Prentice Hall, Upper Saddle River, NJ. 21
Hogg, R. V. & Klugman, S. A. (1984), Loss Distributions, Wiley, New York.

Hovinen, E. (1981), Additive and continuous ibnr, in ‘ASTIN Colloquium’, Loen, Norway. 127
Hsiao, C., Kim, C. & Taylor, G. (1990), ‘A statistical perspective on insurance rate-making’,
Journal of Econometrics 44(1-2), 5 – 24.
Hurvich, C. M. & Tsai, C.-L. (1995), ‘Model selection for extended quasi-likelihood models in
small samples’, Biometrics 51, 1077–1084. 52
Hyndman, R. J. & Fan, Y. (1996), ‘Sample quantiles in statistical packages’, American Statis-
tician 50, 361–365. 17
Ihaka, R. & Gentleman, R. (1996), ‘R : A language for data analysis and graphics’, Journal of
Computational and Graphical Statistics 5(3), 299–314.
Je↵rey, A. & Dai, H.-H. (2008), Handbook of mathematical formulas and integrals, Academic
Press.
Jewell, W. S. (1974), ‘Credible means are exact bayesian for exponential families’, Astin Bull.
8, 77–90.
Jewell, W. S. (1975), ‘The use of collateral data in credibility theory : A hierarchical model’,
Giornale dell’Istituto Italiano degli Attuari 38, 1–16.
Joe, H. (1997), Multivariate dependence measure and data analysis, in ‘Monographs on Statistics
and Applied Probability’, Vol. 73, Chapman & Hall. 28, 33
Johnson, N. L., Kotz, S. & Balakrishnan, N. (1997), Discrete Multivariate Distributions, Wiley
Interscience. 14
Johnson, N. L., Kotz, S. & Kemp, A. W. (2005), Univariate discrete distributions, 3rd edn,
Wiley Interscience. 9
Jung, J. (1968), ‘On automobile insurance ratemaking’, ASTIN Bulletin 5, 41–48. 63
Kaas, R., Goovaerts, M., Dhaene, J. & Denuit, M. (2009), Modern Actuarial Risk Theory, Sprin-
ger Verlag. iii, 39
Klugman, S. A., Panjer, H. H. & Willmot, G. (1998), Loss Models : From data to Decisions,
Wiley, New York.
Klugman, S. A., Panjer, H. H. & Willmot, G. E. (2009), Loss Models : From Data to Decisions,
Wiley Series in Proability and Statistics. iii, iv
Knuth, D. E. (1997a), The Art of Computer Programming, volume 1 : Fundamental algorithms,

Massachusetts : Addison-Wesley. iii
Knuth, D. E. (1997b), The Art of Computer Programming, volume 2 : Seminumerical Algorithms,

Knuth, D. E. (1998), The Art of Computer Programming, volume 3 : Sorting and Searching,
Kotz, S., Balakrishnan, N. & Johnson, N. L. (1994a), Continuous Multivariate Distributions,

Vol. 2, Wiley Interscience. 2, 14
Kotz, S., Balakrishnan, N. & Johnson, N. L. (1994b), Continuous Multivariate Distributions,
Vol. 1, Wiley Interscience. 2, 14
Kotz, S., Balakrishnan, N. & Johnson, N. L. (2002), Continuous Multivariate Distributions,

Vol. 1, Wiley Interscience.
Krause, A. (2009), The Basics of S-PLUS, Springer Verlag. iii
Kremer, E. (1982), ‘Ibnr claims and the two-way model of anova’, Scandinavian Actuarial Jour-
nal pp. 47–55. 110
Lacoume, A. (2009), Mesure du risque de réserve sur un horizon de un an, Institut des Actuaires
- ISFA. 107
L’Ecuyer, P. (1990), ‘Random numbers for simulation’, Communications of the ACM 33, 85–98.
188
Lee, R. & Carter, L. (1992), ‘Modeling and forecasting u.s. mortality’, Journal of the American
Statistical Association 87(419), 659–671. 166
Leydold, J. & Hörmann, W. (2011), Runuran : R interface to the UNU.RAN random variate
generators. 191
Mack, T. (1991), ‘A simple parametric model for rating automobile insurance or estimating ibnr
claims reserves’, ASTIN Bulletin 21, 93–109. 110
Mack, T. (1993a), ‘Distribution-free calculation of the standard error of chain-ladder reserve

estimates’, ASTIN Bulletin 15, 133–138. 98, 99, 116, 118, 123, 129, 130
Mack, T. (1993b), ‘The standard error of chain-ladder reserve estimates : Recursive calculation
and inclusion of a tail factor’, ASTIN Bulletin 29, 361–366. 100
Mack, T. (1994), ‘Which stochastic model is underlying the chain-ladder method ?’, Insurance :
Mathematics and Economics 23, 213–225. 100
Maindonald, J. & Braun, W. J. (2007), Data Analysis and Graphics Using R : An Example-Based
Approach, Cambridge University Press. iii
Marceau, E. (2012), Modélisation et évaluation des risques en actuariat, Springer. iii
Marshall, A. W. & Olkin, I. (1988), ‘Families of multivariate distributions’, Journal of the Ame-
rican Statistical Association 83(403), 834–841. 15
Matsumoto, M. & Nishimura, T. (1998), ‘Mersenne twister : A 623-dimensionnally equidistri-

buted uniform pseudorandom number generator’, ACM Trans. on Modelling and Computer
Simulation 8(1), 3–30. 188
Mayerson, A. L. (1964), ‘A bayesian view of credibility’, Proceedings of the Casualty Actuarial

Society 51, 85–104.
McCullagh, P. & Nelder, J. (1991), Generalized Linear Models, CRC Press. 39
McDonald, J. & Butler, R. (1990), ‘Regression models for positive random variables’, Journal
of Econometrics 43, 227–251. 86
Merz, M. & Wüthrich, M. V. (2008), ‘Modelling the claims development result for solvency
purposes’, CAS E-Forum pp. 542–568. 106, 107
Moral, P. D., Remillard, B. & Rubenthaler, S. (2006), Introduction aux probabilités, Ellipses. 1
Mori, Y. (2009), Handbook of Computational Statistics, Springer Verlag. iii
Mowbray, A. H. (1914), ‘How extensive a payroll exposure is necessary to give a dependable

pure premium ?’, Proceedings of the Casualty Actuarial Society 1, 25–30.
Nelsen, R. B. (1999), An introduction to copulas, Springer. 15
Nelsen, R. B. (2006), An introduction to copulas, Springer. 15
Niederreiter, H. (1992), Random Number Generation and Quasi-Monte Carlo Methods, SIAM,
Philadelphia. 190
Ohlsson, E. & Johansson, B. (2010), Non-Life Insurance Pricing with Generalized Linear Models,
Springer Verlag.
Ohlsson, E. & Johansson, B. (2010), Non-life insurance pricing with Generalized Linear Models,
Springer Verlag. iii, 39
Olver, F. W. J., Lozier, D. W., Boisvert, R. F. & Clark, C. W., eds (2010), NIST Handbook of
Mathematical Functions, Cambridge University Press.
URL: http ://dlmf.nist.gov/ 2
Panjer, H. H. (1981), ‘Recursive evaluation of a family of compound distributions’, Astin Bull.

12(1), 22–26. 11
Parent, E. & Bernier, J. (2007), Le raisonnement bayésien, Springer Verlag. 129
Partrat, C., Lecoeur, E., Nessi, J., Nisipasu, E. & Reiz, O. (2008), Provisionnement technique
en Assurance non vie, Economica. 91
Pearson, K. (1895), ‘Contributions to the mathematical theory of evolution, ii : Skew variation

in homogeneous material’, Philosophical Transactions of the Royal Society of London . 185
Petauton, P. (2004), Théorie et pratique de l’assurance vie, Dunod. 133, 141
Pitacco, E., Denuit, M., Haberman, S. & Olivieri, A. (2009), Modelling Longevity Dynamics for
Pensions and Annuity Business, Oxford University Press. 159
Planchet F., T. P. (2006), Modèles de durée & applications actuarielles, Economica.
Pröhl, C. & Schmidt, K. D. (2005), Multivariate chain-ladder, in ‘ASTIN Colloquium’, Zurich.

125
Quarg, G. & Mack, T. (2004), ‘Munich chain-ladder and a reserving method that reduces the
gap between ibnr projections based on paid losses and ibnr projections based on incurred
losses’, Variances 2, 267–299. 101, 104
Renshaw, A. E. & Haberman, S. (2006), ‘A cohort-based extension to the lee-carter model for
mortality reduction factors’, Insurance : Mathematics and Economics 58, 556–570. 181
Renshaw, A. E. & Verrall, R. J. (1998), ‘A stochastic model underlying the chain-ladder tech-
nique’, British Actuarial Journal 4, 903–923. 115
Robert, C. (2006), Le choix bayésien, Principes et pratique, Springer Verlag. 129
Saporta, G. (2006), Probabilités, analyse de donnés et statistique, Technip. 21, 29
Simonet, G. (1998), Comptabilité des entreprises d’assurance, L’Argus de l’Assurance. 91
Sklar, A. (1959), ‘Fonctions de répartition à n dimensions et leurs marges’, Publications de
l’ISUP de Paris 8 8, 229–231. 14
Stone, C. (1985), ‘Additive regression and other nonparametric models’, Annals of Statistics
13(2), 689–705. 69
T., M. & T., S. (2006), Dynamic Regression Models for Survival Data, Springer Verlag.
Tanner, M. A. & Wong, W. H. (1983), ‘The estimation of the hazard function from randomly
censored data by the kernel method’, The Annals of Statistics .
Taylor, G. (1977), ‘Separation of inflation and other e↵ects from the distribution of non-life
insurance claim delays’, ASTIN Bulletin 9, 217–230. 108
Therneau, T. (2009), survival : Survival Analysis, Including Penalised Likelihood. R package
version 2.35-4. Original R port by Thomas Lumley.
Venables, W. N. & Ripley, B. D. (2002a), Modern Applied Statistics with S, 4th edn, Springer.
iii
Venables, W. N. & Ripley, B. D. (2002b), Modern Applied Statistics with S, 4 edn, Springer,
New York.
Verrall, R. J. (2000), ‘An investigation into stochastic claims reserving models and the chain-
ladder technique’, Insurance : Mathematics and Economics 26, 91–99. 108
Vylder, E. D. (2010), Life Insurance Theory : Actuarial Perspectives, Springer Verlag. 133
Walker, A. J. (1977), ‘An efficient method for generating discrete random variables with general
distributions’, ACM Transactions on Mathematical Software 3, 253–256. 191
Wheeler, B. (2006), SuppDists : Supplementary Distributions. R package version 1.1-0.
URL: http ://www.bobwheeler.com/stat
Whitney, A. W. (1918), ‘The theory of experience rating’, Proceedings of the Casualty Actuarial
Society 4, 275–293.
Wood, S. (2000), ‘Additive regression and other nonparametric models’, Annals of Statistics
62(2), 413–428. 72
Wüthrich, M. V. & Merz, M. (2008), Stochastic Claims Reserving Methods in Insurance, Wiley
Interscience. 91, 104
Zehnwirth, B. (1985), Interactive claims reserving forecasting system (ICRFS), Benhar Nominees
Pty Ltd. Tarramurra N.S.W., Australia. 109
Zuur, A. F., Ieno, E. N. & Meesters, E. (2009), A Beginner’s Guide to R, Springer Verlag. iii
Index
additif, 68 colonne, 112

AIC, 52 convolution, 124
algorithme récursif, 147 copules, 14, 27, 30, 155
année, 164 Archimédiennes, 15
annuité vie entière, 138 elliptiques, 15
approximation, 12 extrêmes, 15
arbre, 53 mélange, 29
ARIMA, 168 corrélation, 123
Ax , 140, 148, 149 cumuls
äx , 138, 148 nombres, 91
n DAx , 154 paiements, 91
n IAx , 154
ax:nq , 148 décés, 140
développement, 94
Bailey, 63
déviance, 51
Baldacci, 151
diagonale, 164
bayésien
dispersion, 41
provisions, 131
dossier-dossier, 91, 101
benefit premium, 155
Benktander, 127
ecrêtement, 86
BIC, 52
entropie, 53
binomiale, 52
Epanechnikov, 17
binomiale négative, 7, 8, 118
error
boni-mali, 94, 106
process, 116
bonus-malus, 78
variance, 116
bootstrap, 116
espérance, 19
Borhutter-Ferguson, 126
espérance de vie, 178
Box-Cox, 121
espérance limitée, 19
calendaire, 164 esprérance de vie, 149
Cape Code, 128 estimation
capital di↵éré, 137 méthode des moments, 24
carte, 66 méthode des quantiles, 26
Chain Ladder, 94, 96 maximum de vraisemblance, 21
charge ultime, 95, 128 non-paramétrique, 16
chi-deux, 55, 90 paramétrique, 20, 43
Cholesky, 192 k Ex , 137
claims development result, 94, 106 ex , 135, 149, 178
classification and regression tree, 53 expert, 126
cohorte, 181 exposition, 39, 63, 66, 159, 172
203
facteur, 63, 108, 174 continue, 3
facteurs de transition, 94 discrete, 7
Fast Fourier Transform, 12 Erlang, 2
Fn , 16 exp, 31
fn , 16 exponentielle, 23, 25, 26, 81, 185
expontielle, 35
gamma, 2, 5, 118, 122 famille exponentielle, 40, 121
generalized additive models, 69 gamma, 2, 5, 6, 23, 25, 31, 41, 42, 80,
generalized linear models, 39 118, 121, 185
Gibbs, 130 inverse Gaussienne, 186
Gini, 53 log-normale, 2, 35, 80, 109, 123, 186
Glivenko-Cantelli, 17 MBBEFD, 10
Gompertz, 155 normale, 14, 40, 42, 80, 185
Pareto, 6, 14, 23, 25, 35, 85
hétérogénéité, 37
Poisson, 7, 9, 40, 42, 62, 73, 108, 110,
histogramme, 17, 35
118, 121
IAx , 155 Poisson composée, 121
IBNR, 93 quasi-Poisson, 118
incréments simulations, 12
négatifs, 113 Student, 186
paiements, 91 tronquée, 9
inflation de zéros, 10, 78 Tweedie, 121
interpolation, 151 Weibull, 3, 5
zéro-modifiée, 10
L, 20 longitudinale, 164
j , 94 loss ratio, 128
1 , 100 Lx , 134
Lee-Carter, 166
↵x , 166, 172, 174, 177 méthode des marges, 63, 110
Mack, 98
x , 166, 172, 174, 177
t , 166, 168, 172, 174 Markov, 98, 135
résidus, 171 maximisation, 21, 43
Lexis, 164 mean squared error, 97, 115
lien, 41 Merz & Wüthrich, 106
LifeMetrics, 172 moindres carrés, 87, 166
ligne, 112 moment, 19
lissage, 16, 72 µ, 19
log-linéaire, 109 µx,t , 160, 174
log-normale, 2, 123
Newton-Raphson, 23, 43
logit, 52, 174
normale, 14
loi
noyau, 16
Beta, 185
beta, 5 o↵set, 66
binomiale, 7, 40, 52
binomiale négative, 7, 73, 77, 118 paiements
Cauchy, 186 cumulés, 91
chi-deux, 2 incréments, 91
composée, 11, 37 Panjer, 11
Pareto, 14 temporaire décès, 142
Pearson, 185 test, 48
Poisson, 7, 9, 110, 122 transervale, 164
processus, 192 triangle, 91
predict, 119 automobile, 91
prime corporel, 123
acquise, 91 matériel, 123
pure, 37, 38, 141, 142, 145 Tweedie, 122
probabilité
décés, 134, 159 valeur actuelle probable, 133, 141
survie, 134 variance, 41
probit, 52 vraisemblance, 20, 28, 43, 51
provisions mathématiques, 141, 155, 157 k Vx , 142–145, 147, 150
itérative, 142, 144, 147 de Vylder, 109

prospective, 142, 143, 145
Weibull, 3
retrospective, 142, 143, 146
provisions pour sinistres à payer, 91
pseudo triangle, 118
k px , 134, 150, 159
k pxy , 152, 155
h pxy , 152
quantile, 120, 124

quasi-Poisson, 118
k qx , 134, 151
réassurance, 11, 30, 85

résidus, 50, 98, 116, 126, 171
Renshaw, 115
rente, 145
vie entière, 179
reserves, 96
S4, 150
2
j , 98
simulations, 187
splines, 57, 68
surdispersion, 73, 111, 118
table
prospective, 159
rectangularisation, 162
TD88-90, 134, 150
TGF-05, 136
TGH-05, 136
TV88-90, 134, 150
tail factor, 100
Taylor, 108
tempête, 30
Index des commandes
actuar, 11, 17 dental, 17

AER, 75 deviance, 50
ageconducteur, 38 dispersiontest, 76
agevehicule, 38 dispomod, 49
aggregateDist, 11 distr, 123
AIC, 29, 52 dlnorm, 124
aod, 52 dtx, 172
arima, 168
as.factor, 109, 174, 181 ecdf, 17
auto.arima, 167, 169 esp.vie, 136
Axn, 154 ets, 167
axn, 154 etx, 172
evir, 35
baseCOUT, 38 Exn, 153
baseFREQ, 38 Expo, 159
bayes-triangle, 130 ext, 151
BIC, 29, 52 extractAIC, 52
binomiale, 40 exyt, 153
BMA, 52
BootChainLadder, 120 factor, 109, 174, 181
boxplot, 130 fboxplot, 181
bs, 57, 68, 77, 82 fit701, 172
fitdist, 26
car, 48 fitdistrplus, 23, 26
carburant, 38 forecast, 166, 167
ChainLadder, 100 fts, 181
Chainladder, 96, 116 ftweedie, 121
chol, 192
contrat, 38 gam, 69, 70
convolution, 11 gamlss, 78, 85
convolve, 12 gamlss, 49
cut, 46, 63 gamma, 41, 80, 122
gaussian, 40, 80
danish, 35 gini, 57, 60
DAxn, 154 glm, 40–42, 44, 66, 67, 110, 111, 122, 126
Deces, 159 glm.nb, 77
Expo, 174 gmlss, 72
demogdata, 166 gnm, 174, 181
demography, 166 goodfit, 62
density, 17, 130 gss, 72
206
IAxn, 154 quasipoisson, 73, 111, 118, 174, 181
INCURRED, 92 qxt, 151
is.na, 119
readShapeSpatial, 66
knots, 17 region, 38
residuals, 50, 115, 171
lca, 166 rqpoisBN, 118
lifecontingencies, 150 rqpoisG, 118
lifetable, 169
linearHypothesis, 48, 75 S4, 124
lm, 82, 95, 109 sample, 116
lm.disp, 49 set.seed, 119, 190
log-normal, 80 sigma, 110
logLik, 51 sinistre, 38
loi splines, 73
mixte, 10 summary, 17, 82, 109
MackChainLadder, 100 tapply, 63, 68

MunichChainLadder, 104 TD, 134, 150
MackMerzWuthrich, 107 TGF, 136
maps, 66 TGH, 136
maptools, 66 tree, 56, 57, 60
MASS, 76, 77 TV, 134, 150
mean, 79 tweedie, 122
merge, 38
mgcv, 72 vcd, 62
mincut, 56 Vectorize, 114, 137
mledist, 23 weights, 95
model.matrix, 115
ZAP, 78
NA, 92 zeroinfl, 78
NUMBER, 92 ZINBI, 78
offset, 66, 159, 174, 181 ZIP, 78
o↵setoffset, 45
optimize, 23, 122
PAID, 92
pearson, 50, 126
PearsonDS, 186
persp, 160
poisson, 40, 44, 66, 110, 122, 174
predict, 42, 52, 56, 68, 70, 72, 82, 112, 113
PREMIUM, 92, 127
PtProcess, 192
pxt, 150
pxyt, 152
qmedist, 26
quantile, 120

Chapitre4-5-Charpentier Dutang Actuariat Avec R

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre4-5-Charpentier Dutang Actuariat Avec R

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre4-5-Charpentier Dutang Actuariat Avec R

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 4

Calculs de base en assurance vie et

L’assurance-vie repose essentiellement sur des calculs

4.1 Quelques notations

4.1.1 Les probabilités de décès, ou de survie

k|h qx = P(k < Tx  k + h) = k px k+h px .

Par abus de notation, on notera parfois px la quantité 1 px et qx la quantité 1 qx . Et on notera

4.1.2 Calculs de valeurs actuelles probables

4.2 Calculs d’annuités

4.2.1 Valeurs actuelles probables de capital di↵éré

Valeur Actuelle Probable

Taux d'actualisation (%) Age de l'assuré

Figure 4.1 – Evolution de la valeur actuelle probable de 20 versements de 100 conditionnels à la

4.2.2 Exemples d’assurance en cas de vie

4.2.3 Exemples d’assurance en cas de décès

En utilisant la matrice d définie auparavant, et ⌫ = (1 + i) 1 le facteur d’actualisation, on a

4.3 Calculs de provisions mathématiques

4.3.1 Exemple d’une assurance temporaire décès

k Vx (0) = k Vx (k) · k Ex = k|n k Ax ⇡ · k|n k äx

k|n k Ax ⇡ · k|n k äx

> VR <- (prime*adot[1:n,x]-A[1:n,x])/E[1:n,x]

i.e. k Vx (k) = ⇡ k äx k Ax . Or k Vx (0) = k Vx (k) · k Ex , et donc

> VP <- diag(A[n-(0:(n-1)),x+(0:(n-1))])-

Figure 4.3 – Évolution de la provision mathématique pour un contrat d’assurance “temporaire

4.3.2 Exemple d’une assurance en cas de vie

k Vx (0) =C ·n k| ax+k n k äx+k .

Si en revanche on suppose que k n (seul l’assureur a encore des engagements) alors

Là aussi, il faut distinguer suivant la valeur de k. Si k  n, on obtient simplement que

Pour la seconde période, si k > n,

Pour la méthode itérative, on notera que si k  n,

alors que si k > n

Avant la retraite, la provision augmente du montant de la prime, et lorsque l’assuré prend sa

4.4 Algorithme récursif en assurance-vie

Figure 4.4 – Évolution de la provision mathématique pour un contrat d’assurance retraite,

4.4.1 Quelques exemples de relations de récurrence

4.5 Le package lifecontingencies

4.5.1 Les quantités démographiques

A partir de TD$Lx correspondant au vecteur (Lx ), il est possible de calculer à l’aide de la

> TD8890 <- new("lifetable",x=TD$Age,lx=TD$Lx,name="TD8890")

h p̃x = (1 h + [h]) [h] px + (h [h]) [h]+1 px

Pour le second, on utilise le fait que

Supposons que h 2 [0, 1), et que s !

0.0 0.2 0.4 0.6 0.8 1.0

Figure 4.5 – Interpolation de h px pour x = 90 et h 2 [0, 1].

Cette relation peut également s’écrire

On peut aisément retrouver des propriétés classiques, comme

Figure 4.6 – Evolution de h 7! h pxy et h 7! h pxy pour x = 40 et y = 42.

On peut également obtenir les espérances de ces deux lois,

4.5.2 Les quantités actuarielles classiques

> Ex <- Vectorize(function(N){Exn(TV8890,x=40,n=N,i=.04)})

Ce montant est obtenu directement à l’aide du paramètre k dans la fonction axn,

> (p <- 100000*Axn(TV8890,35,40,i=.04)/axn(TV8890,35,40,i=.04))

On parle ici classiquement de benefit premium. On peut également calculer la provision

(en écriture prospective).

> V <- Vectorize(function(k){100000*Axn(TV8890,35+k,40-k,i=.04)-

La Figure 4.7 permet de visualiser l’évolution de la provision

Figure 4.7 – Evolution de h 7! h pxy et h 7! h pxy pour x = 40 et y = 42.

Les tables prospectives

De même que le provisionnement (évoqué dans le chapitre 3) posait le problème de la dy-