Copules Charpentier Chapitre

Chapitre 1
Copules et risques multiples

Arthur Charpentier
Les copules sont devenus en quelques annes un outils important, ces der-
nires annes pour modliser les risques multivaris (entre autres). Les copules
permettent de coupler les lois marginales an dobtenir une loi multivarie,
do le nom latin copula choisi par Abe Sklar en 1959 : having worked out the
basic properties of these functions, I wrote about them to Frchet, in English.
He asked me to write a note about them in French. While witting this, I decided
I needed a name for those functions. Knowing the word copula as a grammatical
term for a word or expression that links a subject and a predicate, I felt that
this would make an appropriate name for a function that links a multidimen-
sional distribution to its one-dimensional margins, and used it as such. ((87),
rapport par (73)).
Ces fonctions sont simplement des fonctions de rpartition en dimension
quelconque dont les lois marginales sont uniformes sur [0, 1]. Comme le notait
(40), les copules sont intressantes rstly, as a way of studying scale-free me-
sures of dependence, and secondly, as a starting point for constructing families
of bivariate distributions. Ces fonctions ont depuis 60 ans (voir davantage si
lon attibue leur paternit Wassily Hoeding) ont depuis quitt les espaces
mtriques de probabilit, et les statistiques pour tre appliqus en assurance, en
environmenent, en nance, en abilit, etc.
1.1 Introduction
Avant de prsenter les copules et de prsenter des outils permettant de mo-
dliser la dpendance entre les risques, il convient de rappeler quelques notions
sur lindpendance. Et avant dintroduire les copules, nous reviendrons un peu
sur la loi la plus classique pour modliser des vecteurs alatoires : le vecteur
Gaussien.
2 Chapitre 1
1.1.1 De lindpendance la dpendance
Il y a 250 ans (dans (13)), Thomas Bayes dnissait lindpendance de la
manire suivante : events are independent when the happening of any one of
the does neither increase nor abate the probability of the rest. (15) tait toutefois
un peu plus prcis lorsquil crivait two events are said independent when the
probability of the happening of either of them is unaected by our expectation of
the occurrence of failure of the other.
Pour une dnition formelle, Laplace (dans (59)) armait que si les vne-
ments sont indpendants les uns des autres, la probabilit de lexistence de leur
ensemble est le produit de leur probabilits particulires. Autrement dit, deux
vnements A et B sont indpendants si et seulement si
P(A et B) = P(A, B) = P(A) P(B).
En utilisant la dnition de lesprance conditionnelle, P(A et B) = P(A[B)
P(B), lindpendance se caractrise galement par la relation
P(A[B) = P(A).
On retrouve alors lide nonce par Boole. Par opposition, on dira que deux
vnements sont dpendants si
P(A et B) = P(A, B) ,= P(A) P(B).
Par exetension, on dira que deux variables alatoires X et Y sont indpen-
dantes si, pour tout vnement c = c
X
c
Y
,
P((X, Y ) c
X
c
Y
) = P(X c
X
, Y c
Y
) = P(X c
X
) P(Y c
Y
).
En particulier, si c = (, x] (, y], pour tout x, y R,
P((X, Y ) (, x](, y]) = F(x, y) = P(X x)P(Y y) = F
X
(x)F
Y
(y).
Dans le cas des variables discrtes, en considrant c = (x, y), lindpendance
se caractrise par
P((X, Y ) = (x, y)) = f(x, y) = P(X = x) P(Y = y) = f
X
(x) f
Y
(y).
Cette dernire relation se gnralisant aux densits dans le cas de variables
continues.
1.1.2 Le vecteur Gaussien
Comme le notait (65), in multivariate analysis, the only distribution leading
to tractable inference is the multivariate normal. Il reprenait ainsi une arma-
tion dAnscombe ((7)), the only type of bivariate distribution with which most
of us feel familiar (other than the joint distribution of a pair of independent
COPULES ET RISQUES MULTIPLES 3
random variables) is the bivariate normal distribution. Aussi, avant dtudier
les lois multivaries gnrales, il convient de bien comprendre la construction
du vecteur Gaussien.
En dimension d, X = (X
1
, , X
d
) admet une distribution Gaussienne si
et seulement si, pour tout a R
d
, a
X suit une loi normale (univarie). Un

vecteur Gaussien est alors caractris par deux paramtres, = [
i
]
i=1, ,d
(correspondant lesprance, E(X)) et = [
i,j
]
i,j=1, ,d
(correspondant
la variance Var(X)). Or comme les lois marginales dun vecteur Gaussien sont
galement Gaussienne, ^(
i
,
i,i
), la structure de dpendance, qui, ajoute aux
comportement marginaux permet de dcrire la loi jointe est alors caractrise
par une matrice de corrlation, R = [r
i,j
]
i,j=1, ,d
, o
i,j
= r
i,j
_
i,i
j,j
, en
notant que r
i,i
= 1. Autrement dit, la structure de dpendance, en dimension
d 2, est caractrise par des dpendances deux deux.
En allant un peu plus loin, lintroduction de la dpendance laide de cette
matrice de corrlation permet de mieux comprendre comment passer dun vec-
teur indpendant un vecteur corrl. Plus particulier, en utilisant la dcom-
position de Cholesky, on a que si X
= (X
1
, , X
d
) est un vecteur Gaussien
centr rduit composantes indpenddantes, alors X = +AX
est un vecteur
Gaussien ^(, AA
), o A est une matrice triangulaire infrieure, dcomposi-

tion de Cholesky de la matrice (i.e. AA
= ). On retrouve une proprit

nonce par Rosenblatt, savoir quune loi multivarie peut scrire laide des
lois conditionnelles itres (on parle parfois de chain rule, ou la transformation
de Rosenblatt, (80)),
f(x
1
, x
2
, , x
d
) = f
1
(x
1
) f
2|1
(x
2
[x
1
) f
3|2,1
(x
3
[x
2
, x
1
)
f
d|d1, ,2,1
(x
d
[x
d1
, , x
2
, x
1
).
Nous verrons rapparatre ces direntes ides rgulirement dans ce chapitre.
1.1.3 Plan du chapitre
Aprs cette rapide introduction, nous reviendrons dans la section 1.2 sur les
concepts importants pour modliser des vecteurs alatoires, en particulier les
classes de Frchet (cest dire les classes de lois jointes dont les lois margi-
nales sont donnes), mais aussi deux formes de symmtrie : par rotation (on
parlera de lois sphriques, et par extension elliptiques) et par permutation des
marges (on parlera dchangeabilit). Quelques paragraphes voquerons aussi
les copules pour des variables discrtes. La section 1.3 posera les bases sur les
copules, en dimension 2 tout dabord, puis en dimension plus grande ensuite.
Nous prsenterons des proprits algbriques de lespace des copules, tout en
prsentant quelques extensions importantes lors de lagrgation des risques ou
de ltude de problmes de vieillissmenet (avec les quasi-copules, et les semi-
copules). La section 1.4 verra une prsentation des principales familles de co-
pules, commencer par les grands familles que sont les copules elliptiques, les
copules Archimdiennes, et les copules extrmes. Nous prsenterons alors plus en
4 Chapitre 1
dtails quelques familles un ou deux paramtres, en particulier les copules de
Clayton, de Marshall-Olkin, de Gumbel, et la copule Gaussienne. Ensuite, dans
la section 1.5, nous verrons comment quantier la dpendance, en prsentant
des mesures de corrlation, ou plus prcisment des mesures de concordance. Les
corrlations de Pearson, de Spearman, et le de Kendall seront ainsi prsents.
Nous voquerons galement les mesures de dpendance construites par analyse
canonique nonlinaire (comme extension de la corrlation maximale). Dans la
section ?? nous aborderons le problme de laggrgation des risques multiples,
et de la recherche de bornes pour des risques dans une classe de Frchet donne.
Enn, nous conclurons, dans la section ?? par quelques points sur linfrence et
les tests dajustement de copules.
Remarque 1.1 Les copules seront prsentes ici an dtudier les risques mul-
tiples, reprsents sous la forme de vecteurs alatoires X = (X
1
, , X
d
). On
imagine aisment quil serait possible de les utiliser pour tudier des sries tem-
porelles, ou des processus, (X
t
), o lon sintresserait la structure de dpen-
dance des lois ni-dimensionnelle (X
t1
, X
t2
, , X
t
d
), o t
1
t
2
t
d
.
La dpendance temporelle ne sera pas dtaille dans ce chapitre, mais peut se
trouver par ailleurs (e.g. le chapitre 8 de (55), ou (93) qui tablissait un parallle
entre les processus Markovien).
1.2 Concepts associs aux vecteurs alatoires de
R
d
Un vecteur alatoire X = (X
1
, , X
d
), valeurs dans R
d
. La loi de X peut
tre caractrise par
sa fonction de rpartition,
P(X x) = P(X
1
x
1
, , X
d
x
d
) pour tout x = (x
1
, , x
d
) R
d
.
sa densit (si elle existe)
f(x) = f(x
1
, , x
d
) =

d
P(X
1
x
1
, , X
d
x
d
)
x
1
x
d
pour tout x = (x
1
, , x
d
) R
d
, ou sa fonction de probabilit, pour un
vecteur valeurs discrtes
f(x) = P(X
1
= x
1
, , X
d
= x
d
).
sa fonction gnratrice
(z) = E
_
e
z
X
_
= E
_
e
z1X1++z
d
X
d
_
pour tout z = (z
1
, , z
d
) R
d
,
ds lors que lesprance existe.
Dans presque tout ce chapitre, nous travaillerons sur les fonctions de rpar-
tition pour charactriser la loi dun vecteur alatoire.
Remarque 1.2 Sous des hypothses de drivabilits, en dimension d = 1, les
moments de X peuvent tre relies aux drives de la fonction gnratrice en 0,
i.e.
E(X
n
) =
d
n
(z)
dz
n
z=0
.
On peut obtenir une relation similaire en dimension d 2, en introduisant les
co-moments,
E(X
n1
1
X
n2
2
X
n
d
d
) =

n
(z
1
, , z
d
)
z
n1
1
z
n2
2
z
n
d
d
z=0
,
o n = n
1
+ +n
d
. Les premiers moments sont donc
un vecteur de taille d pour caractriser lesprance, [E(X
i
)]
i=1, ,d
,
une matrice d d pour caractriser la variance, [E(X
i
X
j
)]
i,j=1, ,d
,
un tableau d d d (parfois mis sous la forme d d
2
) pour caractriser
la skewness [E(X
i
X
j
X
k
)]
i,j,k=1, ,d
, etc.
On note que travailler sur les moments dordre suprieur 2 en dimension d
grande va rapidement tre compliqu.
Remarque 1.3 Les notions dordre sur R
d
et les notions de croissance des
fonctions R
d
R sont troitement lies. En reprenant les notations de (53), un
vecteur a = (a
1
, , a
d
) R
d
est domin par a = (a
1
, , a
d
) R
d
pour lordre
de la majorisation, not a _ b si

d
i=1
a
i
=

d
i=1
b
i
et

k
i=1
a
i:d

k
i=1
b
i:d
,
pour tout k 1, , d, o a
i:d
est la i plus grande valeur du vecteur a. De
manire plus classique, on peut considrer un ordre par orthant, au sens o
a b si et seulement si a
i
b
i
pour tout i = 1, , d. Une fonction h : R
d
R
croissante si
x y implique h(x) h(y).
Mais si on change la notion dordre utilise dans R
d
, on obtient une toute autre
notion de croissance.
x _ y implique h(x) h(y),
correspond la notion de Schur convexit. Pour les fonctions continues R
R, drivables, la croissance peut tre caractrise par h
(x) 0. En dimen-
sion suprieure, on peut imaginer une notion lie une relation de la forme
d
h(x
1
, , x
d
)/x
1
x
d
0. Cette notion sera appele d croissance par
la suite. Dans le cas non-drivable, la notion de 2 croissance par exemple se
traduira sous la forme
h(v
1
, v
2
) +h(u
1
, u
2
) h(v
1
, u
2
) h(u
1
, v
2
) 0,
pour tout u
i
v
i
.
6 Chapitre 1
1.2.1 Classes de Frchet
Dnition 1.1 Soient F
1
, , F
d
d fonctions de rpartition R [0, 1]. On
notera T(F
1
, , F
d
) lensemble des fonctions de rpartition R
d
[0, 1] dont
les lois marginales sont prcisments F
1
, , F
d
.
Comme lont montr Frchet et Hoeding, les classes de Frchet sont bornes,
Proposition 1.1 Pour tout F T(F
1
, , F
d
), et
F
(x) F(x) F
+
(x) pour tout x R
d
,
o
F
+
(x) = minF
i
(x
i
), i = 1, , d,
et
F
(x) = max0, F
1
(x
1
) + +F
d
(x
d
) (d 1).
On notera que F
+
T(F
1
, , F
d
), alors que gnrallement F
/ T(F
1
, , F
d
),
sauf dans le cas o d = 2.
Remarque 1.4 En fait, il est possible que F
T(F
1
, , F
d
) alors que d > 2.
Une condition ncessaire et susante est davoir soit
d
i=1
F
i
(x
i
) 1 pour tout 0 < F
i
(x
i
) < 1; o i = 1, , d,
soit
d
i=1
F
i
(x
i
) d 1 pour tout 0 < F
i
(x
i
) < 1; o i = 1, , d.
Notons de plus que si F
/ T(F
1
, , F
d
), F
nen est pas moins une borne

atteignable.
Parmi les sous-classes de cette classe de Frchet, on peut aussi sintresser
aux classes dnies deux paires de lois, T(F
1, ,d1
, F
d
) ou de manire un peu
plus gnrale T(F
1, ,k
, F
k+1, ,d
). En dimension d = 3, cela revient dnir la
classe T(F
1,2
, F
3
). Ces classes avaient t tudies par (45).
Moyennant quelques hypothses de compatibilit, il est aussi possible de
considrer une intersection non-vide, T(F
1, ,k
, F
k, ,d
). En dimension d = 3,
on peut ainsi considrer T(F
1,2
, F
2,3
). A condition que les lois marginales pour
la seconde composante soient identiques. Cette classe est quvialente
T(F
1|2
, F
3|2
, F
2
).
Sous cette forme, on peut noter que cette classe nest pas vide car elle contient
en particulier le vecteur obtenu en supposant X
1
et X
3
indpendants, condi-
tionnellement X
3
, i.e.
F(x
1
, x
2
, x
3
) =
_
x2
F
1|2
(u)F
3|2
(u)dF
2
(u).
Enn, parmi les sous-classes de cette classe de Frchet, on peut aussi sin-
tresser aux classes dnies par les lois des paires, cest dire, en dimension
3,
T(F
12
, F
23
, F
13
)
moyennant quelques hypothses de compatibilit. Il nest pas vident que cette
classe soit non-vide, et si elle nest pas vide, elle nest pas forcment rduite
un singleton.
Exemple 1.1 Soient X = (X
1
, X
2
, X
3
) un vecteur Gaussien centr rduit dont
les corrlations croises sont r + , o r [1, 1] et [0, 1 r], et Y =
(Y
1
, Y
2
, Y
3
) dont les lois marginales sont des lois ^(0, 1), et telle que
P(Y
1
y
1
, Y
2
y
2
, Y
3
y
3
) = (y
1
)(y
2
)(y
3
)[1+(1(y
1
)(1(y
2
)(1(y
3
)]
REPRENDRE On supposera les vecteurs X et Y indpendants. Alors
Z = (Z
1
, Z
2
, Z
3
) =
_
r
r +
(X
1
, X
2
, X
3
) +
_

r +
(Y
1
, Y
2
, Y
3
)
est un vecteur dont les couples (X
i
, X
j
) suivent des lois Gaussiennes bivarie de
corrlation r ( (55) ou (63)).
1.2.2 Symmtrie, changeabilit et indpendance condi-
tionnelle
Un vecteur alatoire est dit symmtrique si la loi jointe est invariante par
permutation des composantes,
Dnition 1.2 Soit o (n) la classe des permutations de 1, ..., n. Si X =
(X
1
, ..., X
n
) est un vecteur tel que
_
X
(1)
, ..., X
(n)
_
L
= (X
1
, ..., X
n
) , pour tout o (n) ,
alors X sera dit n-changeable, ou symmtrique.
De manire quivalente, X sera dit symmtrique si
HX
L
= X pour tout H T (n) ,
o T (n) dsigne lensemble des matrices n n de permutation.
Lchangeabilit est aussi appel interchangeabilit. (12) disait des risques
changeables quils taient indistingables.
Dnition 1.3 Un suite nie de variables alatoires X
1
, ..., X
n
est dite chan-
geable, ou n-changeable si
(X
1
, ..., X
n
)
L
=
_
X
(1)
, ..., X
(n)
_
8 Chapitre 1
pour tout permutation de 1, ..., n. Plus gnralement, une suite innie X
1
, X
2
...
de variables alatoire est dite changeable si
(X
1
, X
2
, ...)
L
=
_
X
(1)
, X
(2)
, ...
_
pour tout permutation nie de N
(i.e. Card i, (i) ,= i < ).

Dnition 1.4 Une suite n-changeable (X
i
) sera dite m-extensible (pour m >
n) si (X
1
, ..., X
n
)
L
= (Z
1
, ..., Z
n
) o (Z
i
) est une suite de variables m-changeable.
Exemple 1.2 Soit X
1
, ..., X
n
une sries de variables alatoires telles que
V ar (X
i
) =
2
et cov (X
i
, X
j
) =
2
,
pour tout i = 1, ...n, et j ,= i. Alors
0 V ar
_
n
i=1
X
i
_
=
n
i=1
V ar (X
i
) +
i=j
cov (X
i
, X
j
)
= n
2
+n(n 1)
2
,
et de plus ;

1
n 1
.
Aussi, lchangeabilit implique une dpendance positive (en fait, lchangeabi-
lit est une notion relativement forte de dpendance positive).
Le thorme de de Finetti ((8)) arme que les mesures changeables peuvent
tre crites comme des mlanges de mesures produits, ce qui correspond de
lindpendance conditionnelle : il existe o telle que pour tout A
i
,
P(X
1
A
1
, ..., X
n
A
n
[o) = P(X
1
A
1
[o) ... P(X
n
A
n
[o) .
Thorme 1.1 Soit X
1
, X
2
, ... une suite changeable, alors il existe telle que,
sachant les X
i
sont indpendants.
La preuve de ce thorme est tablie dans (23).
Corollaire 1.1 Soit X
1
, X
2
, ... une suite changeable de variables suivant une
loi de Bernoulli, et notons S
n
= X
1
+.... +X
n
. Alors la distribution de S
n
est
un mlange de lois binomiales, i.e. il existe une loi H dnie sur [0, 1] telle que
P(S
n
= k) =
_
1
0
_
n
k
_
k
(1 )
nk
dH () .
Exemple 1.3 Considrons un portefeuille constitu de n polices, observes pen-
dant une priode de temps identique. Soit I
i
la vvariable alatoire qui indique
si la i a eu des sinistres, ou pas (i.e. I
i
suite une loi de Bernoulli). La variable
dintrt pour lassureur est I = I
1
+ ... + I
n
, le nombre de polices qui ont eu
un sinistre. Supposer les polices indpendantes peut tre irraliste dans certains
cas. (28) suggre dintroduire de la dpendance en supposant que chaque police
est soumise un choc commun, qui pourrait tre une inondation, ou un trem-
blement de terre, par exemple. Aussi I
i
= min J
i
+J
0
, 1, o les variables J
i
sont indpendantes.
En suivant lide de (82), supposons que les variables I
1
, .., I
n
aient t ex-
traites dun ensemble inn de variables changeables de variables indicatrices
(I
i
). Le thorme de de Finetti permet de garantir quil existe une variable
telle que les I
i
soient indpendantes conditionnnellement . Aussi
P(I
1
+... +I
n
= k) =
_
k
n
__

k
(1 )
nk
dG()
o G est une fonction de rpartition sur [0, 1].
(61) propose ainsi de transposer les modles dpidmie en assurance, o lon
suppose souvent les variables n-changeable.
Supposons que m catastrophes puissent aecter n polices dun portefeuille
dun assureur. Chaque catastrophe j peut tourcher D
j
policies, indpendament,
dans le portefeuille, parmi les n. Un assur est touch par la catastrophe j avec
une probabilit p
j
. On note I
i
la variable indicatrice valant 1 si lassur i a subit
une perte (au moins une fois). Notons que (1 I
1
, ..., 1 I
n
) sont des variables
de Bernoulli n-changeables. Le nombre de polices touches par la catastrophe
j est N
j
B(D
j
, 1 p
j
), et donc
k
= P(I
1
= 0, ..., I
k
= 0) =
m
j=1
E
_
_
n k
N
j
__
n
N
j
_
1
_
pour tout k = 0, ..., n.
1.2.3 Lois sphriques et elliptiques
Si les symmtries constituent une notion naturelle dinvariance, on peut aussi
dnir une invariance par rotations (centres sur lorigine pour des vecteurs
centrs).
Dnition 1.5 On dira que X a une distribution sphrique si
HX
L
= X pour toute matrice H O(n) ,
o O(n) dsigne lensemble des matrices n n orthogonales (i.e. H
H = I).
Par exemple la distribution ^(0, I) est sphrique.
10 Chapitre 1
Remarque 1.1 Plusieurs caractrisations des distributions sphriques sont pos-
sibles,
1. HX
L
= X pour tout H O(n),
2. la fonction caractristique de X est de la forme E(e
it
X
) : t g (t
t),
3. X admet la reprsentation X
L
= RU o R est une variable alatoire
positive, indpendante de U, vecteur uniformment distribu sur la sphre
unit de R
n
,
4. pour tout a R
n
, a
X
L
= |a| X
i
pour tout i = 1, ..., n,
(cf. (38)). En reprenant la construction du vecteur Gaussien ^ (, ) partir
du vecteur Gaussien centr, compostantes indpendantes, ^ (0, I), on dira
que X a une distribution elliptique si X
L
= + AY o Y a une distribution
sphrique, o AA
= : aussi, X aura une distribution elliptique de paramtres

, = A
A et (caractrisant la distribution sphrique sous-jacente).

Il existe l aussi plusieurs caractrisations de ces distributions sphriques, en
particulier, X admet une reprsentation de la forme X
L
= + RAU o R est
une variable positive, indpendante de U uniformment distribue sur la sphre
unit de R
n
, et A vrie AA
= .
Exemple 1.4 La distribution t de Student, de paramtres > 0, et , est
obtenue comme loi du vecteur + A
mZ/S, o Z ^ (0, I) et S
2
()
sont indpendant. La densit de la loi t de Student, de paramtres , et ,
est alors
x
((n +m) /2)
(m)
n/2
(m/2)
[[
1/2
_
1 +
1
m
(x )

1
(x )
_
(n+m)/2
(pour reprendre les notations de (38)). Cette densit est reprsente sur la Figure
1.1. Notons que si m = 1, on retrouve la loi de Cauchy multivarie. On notera
que si > 1, correspond lesprance de X, et que si > 2,
n
n2
correspond
la matrice de variance-covariance de X.
Les lois elliptiques ont beaucoup utilises compte tenu de leur exibilit
apparante. Toutefois, comme le notait, (26), elles se sont avres mal adaptes
pour modliser des donnes relles.
1.2.4 Modlisation des portefeuilles homognes de crdit
Dans les modles standard comme KMV(see (27)) ou CreditMetrics ((48)),
la modlisation des dfauts joints dans un portefeuille dmetteurs obligataires
est relativement simple, souvent bas sur une hypothse de normalit. Ces ap-
proches ont beaucoup t critiqu compte tenu de leur dicult modliser les
gros portefeuilles, o des phnomnes de contagion peuvent tre observs (dans
une rgion gographique, ou un secteur dactivit).
Figure 1.1 Exemples de densits t de Student, avec en haut, de gauche droite,
(r = 0.1, = 4) et (r = 0.9, = 4), e en bas (r = 0.5, = 4) et (r = 0.5, = 10).
Considrons m metteurs, que lon suit sur un horizon temporel donn T
(classiquement une anne). Soit Y
i
lindicateur du dfaut de lmetteur i ho-
rizon T, i.e. Y
i
= 1 si lentreprise i fait dfaut avant la date T, et Y
i
= 0
sinon. Notons galement que des modles multinomiaux (voire multinomiaux
ordonns, dans le cas des ratings) ont aussi t considrs.
Deux formes de modles ont gnrallement t proposs dans les annes 90,
1. des modles variables latentes : les dfauts surviennent quand la variable
latente X
i
(interprtable comme la valeur de lentreprise i horizon T)
passe en dessous dun seuil D
i
(signiant que sa dette est devenu beaucoup
trop grance). Le modle de Merton ((67)), CreditMetrics ou KMV sont
bass sur cette ide.
2. des modles de mlange : les probabilits de dfaut sont fonction dun fac-
teur , ou plus prcisment, Y
i
sachant
i
suit une loi de Bernoulli B(
i
),
o p
i
est une variable alatoire valeurs dans [0, 1]. Les variables
1
, ...,
n
sont gnrallement supposes indpendantes, comme par exemple Credi-
tRisk+ ((92)).
Dans les modles latents, on suppose quil existe X = (X
1
, ..., X
m
), marges
continues, de lois respectives F
1
, ..., F
m
, et considrons des seuils D
1
, ..., D
m
(en dessous desquels les compagnies sont en faillite, et font dfaut). Posons
Y
i
= 1X
i
D
i
, de telle sorte que la probabilit de dfaut pour lmetteur i
scrit
p
i
= P(Y
i
= 1) = P(X
i
D
i
) = F
i
(D
i
) , pour i = 1, ..., m.
12 Chapitre 1
(67) suppose que X
i
est la valeur de lentreprise i la date T, et D
i
est
la valeur de dette acceptable. On suppose galement que X ^ (, ). Le
modle KMV est trs proche de ce modle de Merton, les D
i
tant choisis de
telle sorte que la probabilit de dfaut p
i
soit gale la moyenne des probabilits
de dfauts des entreprises situs la mme distance du dfaut que lentreprise i.
Dans CreditMetrics, X ^ (0, ) et le seuil D
i
tant choisis de telle sorte que
la probabilit de dfaut p
i
soit gale la moyenne des probabilits de dfauts des
entreprises ayant le mme rating que lentreprise i. Finallement, (62) suggre de
supposer que X
i
soit interprt comme la dure de vie rsiduelle de lentprise
i. En supposant que X
i
suit une loi exponentielle de paramtre
i
, tel que
P(X
i
T) = p
i
, o p
i
est dtermin comme dans la mthodologie dveloppe
par CreditMetrics.
On notera que les portefeuilles homognes considrs par KMV et Credit-
Metrics sont relis de la notion de modle changeable : le vecteur latent
X est changeable, et que les probabilits de dfaut sont supposes gales
P(X
i
D
i
) = p, pour tout i = 1, ..., m, et donc Y est changeable.
Considrons les deux cas suivants,
_
X ^ (0, ) , distribution Gaussienne
X t
(0, ) , distribution Student t

o est une matrice de corrlation, avec une unique corrlation croise > 0,
telle que X soit changeable. Les seuls sont xs, et donc, Y est changeable.
Ces modles de mlange ont t intensivement utiliss car ils permettent
dobtenir des modles facilement interprtables.
Supposons que le vecteur des indicatrices de dfaut Y suit une mlange
changeable de Bernoulli, i.e. il existe valeurs dans [0, 1] telle que, condi-
tionnellement les variables Y
1
, ..., Y
m
soient i.i.d., Bernoulli, de paramtre
, i.e.
p = P(un dfaut) = P(Y
i
= 1) = E(Y
i
) = E()
p
k
= P(k dfauts) = P(Y
i1
= 1, ..., Y
i
k
= 1) = E
_
k
_
=
_
1
0
q
k
d(q) ,
o est la distribution de la variable de mlange . An de construire un
modle, plusieurs lois peuvent tre considres
_
_
_
loi Beta : (q) = (, )
1
q
1
(1 q)
1
, , > 0.
Probit-normal :
1
() ^
_
,
2
_
Logit-normal : log (/ (1 )) ^
_
,
2
_
Le modle Probit avait t retenu par CreditMetrics et KMV, alors que Credi-
tRisk+ tait bas sur un modle Logit.
Remarque 1.5 Plus gnrallement, (88) sest pench sur la modlisation des
durees de vie rsiduelles changeables, et (64) sur la modlisation de varibles
indicatrice (dfaut ou dcs).
1.3 Les copules
La notion de copula a t introduite par Sklar en 1959, motiv par les travaux
de Frchet dans les annes 50. Les copules sont aussi t appeles fonction de
dpendance par Deheuvels en 1979 ((31)), ou reprsentation uniforme par
Kimeldorf et Sampson en 1975 ((56)).
Remarque 1.2 On notera quelles apparaissaient dj dans les travaux de
Hoeding, mais qui avait considr comme loi de rfrence des lois uniformes
sur [1/2, +1/2]. Ormis cette petite dirence, toute la thorie des copules se
trouve introduite dans (51).
1.3.1 Les copules en dimension 2
Dnition 1.6 Une copule C : [0, 1]
2
[0, 1] est une fonction de rpartition
dont les lois marginales sont uniforme sur [0, 1].
De manire quivalente, on a la charactrisation suivante
Thorme 1.2 Une copule C : [0, 1]
2
[0, 1] est une fonction qui vrie les
trois conditions suivantes
C(u
1
, 0) = C(0, u
2
) = 0 pour tout u
1
, u
2
[0, 1],
C(u
1
, 1) = u
1
et C(1, u
2
) = u
2
pour tout u
1
, u
2
[0, 1],
C est une fonction 2-croissante, i.e. pour tout 0 u
i
v
i
1,
C(v
1
, v
2
) C(v
1
, u
2
) C(u
1
, v
2
) +C(u
1
, u
2
) 0.
Les deux premires conditions se traduisent graphiquement par les conditions
de bords de la Figure 1.2,
Si C est la copule associe un vecteur alatoire (X
1
, X
2
), alors C couple
les fonctions de rpartition, au sens o
P(X
1
x
1
, X
2
x
2
) = C(P(X
1
x
1
), P(X
2
x
2
))
Il est aussi possible de coupler les fonctions de survie, au sens o il existe une
copule C
telle que
P(X > x, Y > y) = C
(P(X > x), P(Y > y)).

On montre aisment que
C
(u
1
, u
2
) = u
1
+u
2
1 +C(1 u
1
, 1 u
2
).
Dnition 1.7 La copule de survie C
associe la copule C est la copule

dnie par
C
(u
1
, u
2
) = u
1
+u
2
1 +C(1 u
1
, 1 u
2
).
14 Chapitre 1
Borders of the copula function
!0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
!
0
.
2

0
.
0

0
.
2

0
.
4

0
.
6

0
.
8

1
.
0

1
.
2

1
.
4
!0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
Figure 1.2 Conditions de bord dune copule en dimension d = 2, C(u
1
, 0) =
C(0, u
2
) = 0, C(u
1
, 1) = u
1
et C(1, u
2
) = u
2
.
Si X est un vecteur compostantes continues, de loi F T(F
1
, F
2
), sa
copule est donne par
C(u
1
, u
2
) = F(F
1
1
(u
1
), F
1
2
(u
2
)), pour tout u
1
, u
2
[0, 1].
Notons que C est alors la fonction de rpartition du vecteur U = (U
1
, U
2
) o
U
i
= F
i
(X
i
), i = 1, 2.
De manire gnrale, en notant h
1
linverse gnralis dune fonction h :
R R montone, dnie par h
1
(t) = infx, h(x) t, t R, la copule
C(u
1
, u
2
) = F(F
1
1
(u
1
), F
1
2
(u
2
)) est une copule du vecteur X.
Exemple 1.5 Soit X
1
, , X
n
un chantillon i.i.d. de loi F, et notons X
i:n
la
ime plus grande valeur. Rappelons que les fonctions de rpartition de X
1:n
=
minX
1
, , X
n
et X
n:n
= maxX
1
, , X
n
sont respectivement donnes
par
F
1:n
(x) = 1 [1 F (x)]
n
et F
n:n
(x) = [F (x)]
n
pour tout x,
et de plus, la fonction de rpartition du couple est donne par
F
1,n
(x, y) =
_
F (x)
n
(F (y) F (x))
n
, si x < y
F (y)
n
, si x y
.
On en dduit alors que le copula du coupe (X
1:n
, X
n:n
), not C
n
est de la forme
suivante
C
n
(u, v) =
_
v
_
v
1/n
+ (1 u)
1/n
1
_
n
, si 1 (1 u)
1/n
< v
1/n
v , si 1 (1 u)
1/n
v
1/n
,
appel copule min-max par (83). On peut noter que si n alors C
n
C
,
par rapport la norme uniforme.
On notera que les copules sont des fonctions continues. Plus prcisment,
elles vrient une condition de Lipschitz : pour tout 0 u
i
, v
i
1,
[C(u
1
, u
2
) C(v
1
, v
2
)[ [u
1
v
1
[ +[u
2
v
2
[.
1.3.2 Les copules en dimension d > 2
La proprit de croissance de la fonction de rpartition est lie la proprit
de n-croissance, qui sinterprte comme le fait que P(x
1
X
1
y
1
, ..., x
d

X
d
y
d
) 0 pour X = (X
1
, ..., X
d
) de loi F, pour tout x y (au sens
x
i
yi.
Dnition 1.8 Une fonction h : R
d
R est dite d-croissante si pour tout
hyper-rectangle [a, b] de R
d
, V
h
([a, b]) 0, o
V
h
([a, b]) =
b
a
h(t) =
b
d
a
d
b
d1
a
d1
...
b2
a2
b1
a1
h(t) (1.1)
pour tout t, o
bi
ai
h(t) = h(t
1
, ..., t
i1
, b
i
, t
i+1
, ..., t
n
) h(t
1
, ..., t
i1
, a
i
, t
i+1
, ..., t
n
) . (1.2)
Dnition 1.9 Une copule en dimension d est une fonction de rpartition sur
[0, 1]
d
dont les lois marginales sont uniformes sur [0, 1].
De manire quivalente, les copules sont des fonctions C : [0, 1]
d
[0, 1]
telle que pour tout 0 u
i
1 pour tout i = 1, ..., d les conditions suivante sont
vries,
C(1, ..., 1, u
i
, 1, ..., 1) = u
i
, (1.3)
C(u
1
, ..., u
i1
, 0, u
i+1
, ..., u
d
) = 0, (1.4)
C est d-increasing. (1.5)
En fait les quations 1.3 et 1.4 implique que les marges sont uniformment
rpartie sur [0, 1]. De plus, C est croissante par marges, avec une plense une
proprit de Lipschitz, garantissant la continuit de la fonction C (comme en
dimension 2).
Le rsultat le plus important sur les copules est le thorme de Sklar ((86)
ou (73)),
Thorme 1.3 1. Si C est une copule, et F
1
, ..., F
d
des fonctions de rpar-
tition univaries, alors pour tout (x
1
, ..., x
d
) R
d
,
F(x
1
, ..., x
n
) = C(F
1
(x
1
), ..., F
d
(x
d
)) (1.6)
est une fonctoin de rpartition de T(F
1
, ..., F
d
).
16 Chapitre 1
2. Rciproquement, si F T(F
1
, ..., F
d
), il existe une copule C satisfaisant
lquation 1.6. Cette copule nest pas forcment unique, mais si les lois
marginales F
1
, ..., F
d
sont continues, elle le sera, avec, pour tout (u
1
, , ..., u
d
)
[0, 1]
d
,
C(u
1
, ..., u
d
) = F(F
1
1
(u
1
), ..., F
1
d
(u
d
)), (1.7)
o les fonctions quantiles F
1
1
, ..., F
1
n
sont les inverses gnraliss (conti-
nues gauche) des fonctions F
i
.
Ce thorme a permis de motiver lutilisation des copules en tant que fonc-
tions de dpendance, permant de capture des proprits de dpendance inva-
riants par changement dchelle,
Proposition 1.2 Soit (X
1
, ..., X
d
) un vecteur alatoire de copule C. Soient
1
, ,
d
,
i
: R R des fonctions continues strictement croissantes, alors C
est la copule du vecteur (
1
(X
1
), ...,
d
(X
d
)).
Une dmonstration de ce rsultat se trouve dans (55), ou (36), dans un
cadre plus gnral : en eet, notons que lhypothse de continuit des
i
nest
pas ncessaire si les X
i
sont continues.
Dnition 1.10 Soit C une copule, alors la fonction
C
(u
1
, ..., u
d
) =
d
k=0
_
_
(1)
k
i1,...,i
k
C(1, ..., 1, 1 u
i1
, 1, ...1, 1 u
i
k
, 1, ...., 1)
_
_
,
(1.8)
pour tout (u
1
, ..., u
d
) [0, 1] ... [0, 1], est une copule, appele copule de survie,
ou copule duale, de C.
Si (U
1
, ..., U
d
) a pour fonction de rpartition C, alors C
est la fonction de
rpartition du vecteur (1 U
1
, ..., 1 U
d
). Et si
P(X
1
x
1
, , X
d
x
d
) = C(P(X
1
x
1
), , P(X
d
x
d
)),
pour tout (x
1
, , x
d
) R, alors
P(X
1
> x
1
, , X
d
> x
d
) = C
(P(X
1
> x
1
), , P(X
d
> x
d
)).
1.3.3 Proprits de lensemble des copules
Proposition 1.3 La classe des copules est convexe, i.e. si C
, est une
famile de copules, et que H est une distributonsur , alors
C (x
1
, ..., x
n
) =
_
(x
1
, ..., x
n
) dH ()
est une copule.
Une preuve de se rsultat peut tre trouv dans (73).
Exemple 1.6 Les fonctions C
(u
1
, , u
d
) =

d
i=1
u
i
et C
+
(u
1
, , u
d
) =
minu
1
, , u
d
, sont des copules (respectivement la copule indpendante et
la copule comontone, appele aussi borne suprieure de Frchet-Hoeding), et
pour tout [0, 1],
C(u
1
, , u
d
) = C
(u
1
, , u
d
) + [1 ]C
+
(u
1
, , u
d
),
est une copule.
Remarque 1.6 Etant donnes deux fonctions de rpartition F
1
et F
2
, le pro-
duit de convolution F
1
F
2
est la fonction
(F
1
F
2
) (x) =
_
F
1
(x t) F
2
(t) dt pour tout x.
Cette fonction F
1
F
2
est la fonction de rpartition de la variable X
1
+ X
2
lorsque X
1
et X
2
sont indpendantes, de lois respectives F
1
et F
2
.
De manire analogue, on peut se demander sil existe une fonction telle
que le mlange pF
1
+ (1 p) F
2
soit la fonction de rpartition de la variable
(X
1
, X
2
). Cette question tait pose dans (5) et (6). Et pour y rpondre, on
introduit un oprateur binaire sur lensemble des fonctions de rpartition, et
on se demande si, pour une fonction donne, il existe telle que (F
1
, F
2
)
soit la loi de (X
1
, X
2
). Des cas particulier tant les mlanges, additifs de la
forme
(F
X
, F
Y
) = pF
X
+ (1 p) F
Y
o 0 < p < 1.
ou multiplicatif, (F
X
, F
Y
) =

F
X
F
Y
. En fait, (5) montre que les mlanges ne
sont pas drivables, au sens o il nexiste pas de fonction .
On notera que pour caractriser les oprateurs sur les fonctions de rparti-
tion, on utilise les quasi-copules, introduite dans (6) (qui seront prsents dans
la section suivante).
1.3.4 Copules, quasi-copules et semi-copules
Quelques dnitions
Les copules ont t prsent en introduisant une notion de d-croissance (ten-
dant la notion de croissance dans le cas univari) lgitime car elle se traduit pas
le fait quelle est quivalente avoir une masse positive sur tout hyperrectangle,
i.e.
P(U [a, b]) 0,
o [a, b] = [a
1
, b
1
] [a
d
, b
d
].
Dautres notions de croissance ont t dnie dans la littrature. Une
condition plus faible est de supposer une relation de ce genre mais uniquement
18 Chapitre 1
pour les hyperrectangles touchant un bord, i.e. il existe i 1, , d tel que
a
i
= 0 ou b
i
= 1.
Comme la montr (6), cette condition est quivalente demander une crois-
sance par composante, et que la condition de Lipschitz soit vrie.
Dnition 1.11 Une fonction Q : [0, 1]
d
[0, 1] est une quasi-copule si pour
tout 0 u
i
1, i = 1, , d,
Q(1, ..., 1, u
i
, 1, ..., 1) = u
i
, (1.9)
Q(u
1
, ..., u
i1
, 0, u
i+1
, ..., u
d
) = 0, (1.10)
s Q(u
1
, ..., u
i1
, s, u
i+1
, ..., u
d
) est une fonction croissante, pour tout i, et
[Q(u
1
, , u
d
) C(v
1
, , v
d
)[ [u
1
v
1
[ + +[u
d
v
d
[.
Exemple 1.7 Les copules sont des quasi-copules. De plus, C
qui ntait pas

une copule est en revanche une quasi-copule.
Les quasi-copules sont intressantes car elles apparaissent naturelles ds que
lon cherche des bornes des ensembles de copules.
Proposition 1.4 Soit ( un ensemble non vide de copules (ventuellement ferm),
et notons (
et (
+
les bornes de (, au sens o
(
(u) = infC(u), C ( et (
+
(u) = supC(u), C (.
Alors (
et (
+
sont les meilleurs bornes possibles pour (, mais en gnral,
(
/ ( et (
+
/ (, et ne sont gnrallement pas des copules. En revanche, (
et (
+
sont des quasi-copules.
Remarque 1.7 Cette faon dcrire les quasi-copules (comme des bornes in-
frieures) densembles de copules rappelle la construction des capacits comme
des bornes infrieurs densemble de probabilits.
Dnition 1.12 Une fonction S : [0, 1]
d
[0, 1] est une semi-copule si pour
tout 0 u
i
1, i = 1, , d,
S(1, ..., 1, u
i
, 1, ..., 1) = u
i
, (1.11)
S(u
1
, ..., u
i1
, 0, u
i+1
, ..., u
d
) = 0, (1.12)
et s S(u
1
, ..., u
i1
, s, u
i+1
, ..., u
d
) sur [0, 1].
Exemple 1.8 Soit H lensemble de fonctions de distortion, continues, stricte-
ment croissantes [0, 1] [0, 1] telles que h(0) = 0 et h(1) = 1. On notera que
h H si et seulement si h
1
H, autrement dit (H, ) est un groupe, o est
loprateur de composition. Llment neutre est la fonction identit sur [0, 1].
Pour tout h H et C ( (lensemble des copules), posons
h
(C) (u
1
, u
2
) = h
1
(C (h(u
1
) , h(u
2
))) , 0 u
1
, u
2
1.
On parlera de h-copule. Lensembles des H-copules sont les fonctions
h
(C)
pour une fonction de distortion h et une copue C. Notons de plus que pour
h, h
H,
hh
(C) (u
1
, u
2
) = (
h

h
) (C) (u
1
, u
2
) , 0 u
1
, u
2
1.
Les H-copules changeables sont des semi-copules. De plus,
h
_
C
_
est une
quasi-copule si et seulement si h est une fonction de distorsion telle que log h
soit convexe.
Pour dcrire les phnomne de vieillissement, il est naturel se sintresser aux
semi-copules suivantes
/ =
_
h
_
C
_
, h H
_
.
o les lments de / scrivent
C (u, v) = h
1
(h(u) h(v)) =
1
((u) +(v)) ,
o h H est le gnrateur multiplicatif, et = log h le gnrateur additif.
Les lments de / sont appeles des t-normes Archimdiennes dans (84), et
correspondent des semi-copules Archimdiennes.
Remarque 1.8 Comme la montr (11), la famille o est stable par distortion,
au sens o
h
(C) o, pour tout C o et h H. Mais cette proprit nest
pas vrie pour lensemble des copules (.
Dnition 1.13 Une capacit sur un espace (, /) est une fonction densemble
: / [0, 1] telle que () = 0, () = 1, et si A B, alors (A) (B). De
plus, la capacit est convexe si et seulement si pour tout A, B, (A) + (B)
(A B) + (A B).
Comme not dans le Chapitre 1, les capacit sont des notions plus faibles
que les probabilits, une probabilit P sur (, /) est une fonction densemble
P : / [0, 1] telle que P() = 0, P() = 1, et P(A) =

P(A
n
) pour tout
famille dnombrable disjointe A
n
telle que A = A
n
.
Remarque 1.9 Soit f une fonction de distorsion, i.e. f : [0, 1] [0, 1], stricte-
ment convexe, croissante et drivable, telle que f (0) = 0 and f (1) = 1, alors,
pour toute mesure de probabilit P, f (P()) est une capacit convexe.
Exemple 1.9 Comme la montr (6), si est un oprateur binaire driv dune
fonction , et telle que (F
1
, F
2
) (t) = (F
1
(t) , F
2
(t)) pour tout t), alors soit
(X
1
, X
2
) = max X
1
, X
2
et alors est une quasi-copule,
20 Chapitre 1
(X
1
, X
2
) = min X
1
, X
2
et alors est le dual dune quasi-copule (i.e.
u
1
+u
2
(u
1
, u
2
) est une quasi-copule),
soit (X
1
, X
2
) = X
2
et (u
1
, u
2
) = u
1
, soit (X
1
, X
2
) = X
2
et (u
1
, u
2
) =
u
2
.
(73)) a montr que ces rsultats restaient valides en dimension d 2.
Exemple 1.10 Comme la not (11), comprendre le vieillissement joint (bi-
variate aging) est lintersection des problmes de dpendance, et de copule,
et de vieillissement univari. En particulier, trois classes de fonctions arrivent
naturellement pour modliser les comportements joints,
1. la copule de survie
C (u
1
, u
2
) = F
_
G
1
(u
1
) , G
1
(u
2
)
_
, 0 u
1
, u
2
1.
2. la fonction de vieillissement multivari (introduite par (10)),
B(u
1
, u
2
) = exp
_
G
1
_
F (log u
1
, log u
2
)
_
_
, 0 u
1
, u
2
1.
B est une semi-copule, que lon peut relier h(x
1
, x
2
) = G
1
_
F (x
1
, x
2
)
_
introduite par (9) sur des problmes similaires.
3. La semi-copule Archimdienne de gnrateur (additif) G
1
,
A(u
1
, u
2
) = G
_
G
1
(u
1
) +G
1
(u
2
)
_
=
1
((u
1
) (u
2
)) , 0 u
1
, u
2
1,
o (x) = exp
_
G
1
(x)
_
est une fonction de distortion [0, 1] [0, 1] .
Or comme H, alors A =
_
C
_
.
(11) a propos plusieurs interprtations de ces fonctions sur des problmes de
vieillissement joint.
1.3.5 Simulations alatoires et copules
Les copules sont particulirement intressantes pour simuler des vecteurs
alatoires, car les copules sont des lois de vecteurs dont les marges sur unifor-
mment rparties sur [0, 1]. Or la simulation de lois repose sur les gnrateurs
de nombres alatoires (les fonctions Random) qui gnrent prcisment des va-
riables uniformment rparties sur [0, 1]. Ou plus prcisment, on impose deux
conditions aux gnrateurs de nombres alatoires,
quils gnrent des nombres uniformments distribus sur [0, 1],
que des appels conscutifs de fonctions Random gnrent des variables in-
dpendantes.
Autrement dit, nous pour gnrer U
= (U
1
, ..., U
d
) avec des composantes
indpendantes. Or nous cherchons simuler ici un vecteur U = (U
1
, ..., U
d
) dont
la loi soit une copule C, suppose drivable.
Lide naturelle est dutiliser la dcomposition laide des lois conditionnelles
itres
P(U
1
u
1
, . . . , U
d
u
d
) = P(U
d
u
d
[U
1
u
1
, . . . , U
d1
u
d1
)
P(U
d1
u
d1
[U
1
u
1
, . . . , U
d2
u
d2
)
. . .
P(U
3
u
3
[U
1
u
1
, U
2
u
2
)
P(U
2
u
2
[U
1
u
1
) P(U
1
u
1
).
En commenant par la n, P(U
1
u
1
) = u
1
puisque U
1
suit une loi uniforme.
Ensuite, notons que
P(U
2
u
2
[U
1
= u
1
)
= P(U
2
u
2
, U
3
1, . . . U
d
1[U
1
= u
1
)
= lim
h0
P(U
2
u
2
, U
3
1, . . . U
d
1[U
1
[u
1
, u
1
+h])
= lim
h0
P(u
1
U
1
u
1
+h, U
2
u
2
, U
3
1, . . . U
d
1)
P(U
1
[u
1
, u
1
+h])
= lim
h0
P(U
1
u
1
+h, U
2
u
2
, U
3
1, . . . U
d
1) P(U
1
u
1
, U
2
u
2
, U
3
1, . . . U
d
1)
P(U
1
[u
1
, u
1
+h])
= lim
h0
C(u
1
+h, u
2
, 1, . . . , 1) C(u
1
, u
2
, 1, . . . , 1)
h
=
C
u
1
C(u
1
, u
2
, 1, . . . , 1).
Et de manire plus gnrale, nous aurions
P(U
k
u
k
[U
1
= u
1
, . . . , U
k1
= u
k1
) =

k1
u
1
. . . u
k1
C(u
1
, . . . , u
k
, 1, . . . , 1).
Nous avons alors un algorithme simple pour gnrer U = (U
1
, .., U
n
) suivant
C partir dun vecteur U
= (U
1
, ..., U
d
) (gnr partir dappels successifs
de fonction Random),
gnrons U
1
uniformment sur [0, 1],
u
1
U
1
gnrons U
2
suivant la loi conditionnelle
1
C([u
1
),
u
2
[
1
C([u
1
)]
1
(U
2
),
gnrons U
k
1,...,k1
C([u
1
, ..., u
k1
),
u
k
[
1,...,k1
C([u
1
, ..., u
k1
)]
1
(U
k
),
22 Chapitre 1
...etc.
Exemple 1.11 On retrouve ici lide implicite de lutilisation de la dcompo-
sition d Cholesky : on gnre un vecteur gaussien centr rduit composantes
indpendantes, X
, puis on pose X = + AX
, o A est une matrice tri-

angulaire triangulaire infrieur telle que AA
= , qui permet de gnrer un

vecteur ^(, ).
Aussi, en dimension 2, pour gnrer un vecteur centr-rduit de corrlation
r (1, 1), on pose
pour la premire composante x
1
= X
1
,
pour la seconde x
2
= rx
1
+
1 r
2
X
2
.
Un exemple de simulation de copule Gaussienne peut se visualiser sur la Figure
1.3 (avec le vecteur Gaussien en bas droite, et la copule associe en bas
gauche).
!istri&'tion de -
.
/
010 012 014 014 015 110
0
2
0
0
4
0
0
!istri&'tion de 7
.
/
010 012 014 014 015 110
0
1
0
0
3
0
0
9
0
0
010 012 014 014 015 110
0
1
0
0
1
4
0
1
5
-ni:orm m<r=ins
!4 !2 0 2 4
!
4
!
2
0
2
4
St<nd<rd ?<'ssi<n m<r=ins
Figure 1.3 Simulation (U
i
1
, U
i
2
)
i=1, ,n
dune copule Gaussienne avec la r-
partition empirique des (U
i
1
) en haut gauche, et des (U
i
2
) en haut droite, le
nuage des (U
i
1
, U
i
2
) en bas gauche, et des (
1
(U
i
1
),
1
(U
i
2
)) en bas droite.
Exemple 1.12 Considrons la copule de Clayton (en dimension d = 2, C(u
1
, u
2
) =
(u
1
+ u
2
1)
1/
, o 0. Alors (U
1
, U
2
) a pour distribution C si et
seulement U
1
suit une loi uniforme sur [0, 1] et que U
2
[U
1
= u
1
a pour loi
conditionnelle
P(U
2
u
2
[U
1
= u
1
) =
2
C(u
2
[u
1
) = (1 +u
1
[u
2
1])
11/
.
Lalgorithme pour gnrer une copule de Clayton est alors de la forme suivante,
gnrons U
1
u
1
U
1
,
gnrons U
2
2
C([u),
u
2
[
1
C([u
1
)]
1
(U
2
) =
_
[(U
2
)
/(1+)
1]u
1
+ 1
_
1/
.
Un example de simulation de copule de Clayton peut se visualiser sur la Figure
1.4.
D"#$%"&u$"on +e U
.
y
010 012 014 014 015 110
0
2
0
0
4
0
0
D"#$%"&u$"on +e V
.
y
010 012 014 014 015 110
0
2
0
0
4
0
0
010 012 014 014 015 110
0
1
0
0
1
4
0
1
5
Un"fo%m ma%;"n#
!2 0 2 4
!
2
0
2
4
S$an+a%+ =au##"an ma%;"n#
Figure 1.4 Simulation (U
i
1
, U
i
2
)
i=1, ,n
dune copule de Clayton avec la r-
partition empirique des (U
i
1
) en haut gauche, et des (U
i
2
) en haut droite, le
nuage des (U
i
1
, U
i
2
) en bas gauche, et des (
1
(U
i
1
),
1
(U
i
2
)) en bas droite.
24 Chapitre 1
Exemple 1.13 En fait, plus gnrallement, il est possible de trouver un algo-
rithme simple pour gnrer une copule Archimdienne. Pour cela,
gnrons U
1
u
1
U
1
,
gnrons U
2
2
C([u),
u
2

1
((u) (u
1
)) ,
o u =
1
_
(u
1
)/U
2
_
.
Notons que (46) ont propos dutiliser le fait que C(U
1
, U
2
) et (U
1
)/[(U
1
) +
(U
2
)] sont deux variables indpendantes, la premire de loi K, o K(t) =
t (t)/
(t), et la seconde est uniforme sur [0, 1]. Aussi,

gnrons U de loi K
u K
1
(U
1
),
posons
u
1

1
(U
2
(u)) et u
2

1
([1 U
2
](u)).
1.4 Les familles usuelles de copules

Avant de prsenter les copules paramtriques les plus usuelles, on appelera
C
la copule indpendante,
Dnition 1.14 On appelera copule indpendance C
la copule dnie par

C
(u
1
, ..., u
n
) = u
1
u
d
=
d
i=1
u
i
.
Remarque 1.10 Soit X T(F
1
, , F
d
). On notera X
T(F
1
, , F
d
) un
vecteur dont la copule est C
. On dira quil sagit dune version indpendante

de X.
1.4.1 Les bornes de Frchet-Hoeding et la comonotonie
La famille des copules est borne : pour toute copule C,
C
(u
1
, ..., u
d
) C(u
1
, ..., u
d
) C
+
(u
1
, ..., u
d
),
pour tout (u
1
, ..., u
d
) [0, 1] ... [0, 1], o
C
(u
1
, ..., u
d
) = max0, u
1
+...+u
d
(d1) et C
+
(u
1
, ..., u
d
) = minu
1
, ..., u
d
.
Les bornes sont appeles bornes de Frchet-Hoeding. On notera que si C
+
est
une copule, en revanche C
est une copule uniquement dans le cas d = 2.

Dnition 1.15 La copule comonotone C
+
est dnie par C
+
(u
1
, ..., u
d
) =
minu
1
, ..., u
d
.
Dnition 1.16 La borne infrieure de Frchet C
la fonction dnie par

C
(u
1
, ..., u
d
) = max0, u
1
+ ... + u
d
(d 1). En dimension d = 2, C
sera appele copule anticomonotone.

Les graphiques associes ces copules sont reprsentes la Figure 1.5.
Figure 1.5 Copule anticomontone, copule indpendante, et copule comonotone,
en dimension d = 2.
Proposition 1.5 1. Si d = 2, C
est la fonction de rpartition du couple

(U, 1 U) o U est uniformment distribue sur [0, 1].
2. (X
1
, X
2
) a pour copule C
si et seulement sil exsite strictement crois-

sante et strictement dcroissante telles que (X
1
, X
2
)
L
= ((Z), (Z)) o
Z est une variable alatoire.
3. C
+
est la fonction de rpartition du vecteur (U, ..., U) o U est uniform-
ment distribue sur [0, 1].
4. (X
1
, ..., X
n
) a pour copule C
+
si et seulement sil existe des fonctions
i
strictement croissantes telles que (X
1
, ..., X
n
)
L
= (
1
(Z), ...,
n
(Z)) o Z
est une variable alatoire.
Une preuve de ce rsultat est done dans (73).
La borne suprieure de Frchet-Hoeding bound est correspond au cas de
variablescomonotones. En dimension d = 2, la borne infrieure correspond au
cas danti-comonotonie.
Exemple 1.14 Ces bornes sur les copules peuvent en fait fournir des bornes sur
certaines quantits. En particulier, si d = 2, et que : R
2
R est 2-croissante,
alors pour tout (X
1
, X
2
) T(F
1
, F
2
)
E((F
1
1
(U), F
1
2
(1 U))) E((X
1
, X
2
)) E((F
1
1
(U), F
1
2
(U))),
o U est uniformment rpartie sur [0, 1] (dans un cadre plus gnral, ce rsulat
a t tabli par (89)).
26 Chapitre 1
Exemple 1.15 Comme voqu auparavant, il convient de faire attention entre
la dpendance en dimension d et la dpendance par paires. En particulier, cer-
tains rsulats, qui pourrait sembler intuitifs (car ils sont vrais dans le cas Gaus-
sien) sont en fait faux,
si X
1
et X
2
sont comonotones, ainsi que X
2
et X
3
, X
1
et X
3
peuvent ne
pas tre comonotone. Par exemple, si
(X
1
, X
2
, X
3
) = (1, 1, 1) avec probabilit 1/4,
(1, 2, 3) avec probabilit 1/4,
alors X
1
et X
3
sont indpendants.
si X
1
et X
2
sont comonotones, et que X
2
et X
3
sont indpendants, X
1
et
X
3
peuvent ne pas tre indpendants. Aussi, par exemple, avec
(X
1
, X
2
, X
3
) = (1, 1, 3) avec probabilit 1/4,
X
1
et X
2
sont comonotones, X
2
et X
3
sont indpendants, et X
1
et X
3
sont indpendants.
Remarque 1.11 Soit X T(F

1
, , F
d
). On notera X
+
T(F
1
, , F
d
) une
vecteur dont la copule est C
+
. On dira quil sagit dune version comonotone de
X. De manire similaire, en dimension d = 2, on notera X
T(F
1
, F
2
) une
version anticomonone de X.
1.4.2 Les copules elliptiques
Nous avions vu dans la Section 1.2.3 quun vecteur X avait une distribution
elliptique, de moyenne R
d
, de matrice de variance et de gnrateur
g : R
+
R
+
si la fonction caractristique du X tait
E(e
it
X
) = e
it
g (t
t) .
On peut noter que X = + RAU, o AA
est la dcomposition de Cholesky

de la matrice , o U est une variable alatoire uniformment distribue sur
la sphre unit de R
d
, et o R est une variable positive, indpendante de U,
(dont la loi peut tre relie g, comme le rappelle (38)). On notera c(, , g)
la classe des lois elliptiques.
Une point important est que les lois marginales de X sont alors elliptiques.
Deux cas particuliers importants sont la copule Gaussienne, et la copule de
Student degrs de libert.
Exemple 1.16 Soit r (1, +1), alors la copule Gaussienne de paramtre r
(en dimension 2) est
C(u
1
, u
2
) =
1
2
1 r
2
_

1
(u1)
_

1
(u2)
exp
_
x
2
2rxy +y
2
2(1 r
2
)
_
dxdy
o est la fonction de rpartition de la loi normale centre rduite
(x) =
_
x
2
exp
_
z
2
2
_
dz.
Exemple 1.17 Soit r (1, +1), et , alors la copule de Student de para-

mtres r et est
C(u
1
, u
2
) =
_
T
1
(u1)
_
T
1
(u2)
1 r
2
2
+ 1
_
2
_
_
1 +
x
2
2rxy +y
2
(1 r
2
)
_
2
+1
dxdy.
o T
est la fonction de rpartition de la loi de Student (univariarie) degrs

de liberts, i.e.
T
(x) =
_
x
(
+1
2
)
2
)
_
1 +
z
2
_
(
+1
2
)
Comme pour lexempe prcdant, cess copules ont t prsentes ici en di-
mension d = 2 pour des questions de simplicit, mais elle se gnralise aisment
en dimension suprieure, avec comme paramtre une matrice de corrlation R,
et un degr de libert .
XXXXXXXXXXXX
1.4.3 Les copules Archimdiennes
Les copules Archimdiennes strictes en dimension 2
Dnition 1.17 Soit une fonction dcroissante convexe sur (0, 1] [0, ]
telle que (1) = 0 et (0) = . On appelera copule Archimdienne stricte de
gnrateur la copule dnie par
C(u
1
, u
2
) =
1
((u
1
) +(u
2
)), u
1
, u
2
[0, 1].
Exemple 1.18 Soit (t) = t
1 ; la copule associe est la copule de Clayton.
28 Chapitre 1
Notons que le gnrateur nest pas unique, en particulier en multipliant par
une constante. Les copules Archimdiennes sont des copules symmtriques, au
sens o C(u
1
, u
2
) = C(u
2
, u
1
).
Exemple 1.19 Il est aussi possible de chercher des copules Archimdiennes
vriant une proprit de symmtrie radiale, i.e. C(u
1
, u
2
) = C
(u
1
, u
2
). Ceci
nest possible que si (t) = log
e
t
1
e
1
. Il sagit de la copule dite de Frank
((41)).
Remarque 1.12 Certains (e.g. (68) ou (35)) prfre une prsentation multi-
plicative,
C(u
1
, u
2
) = h
1
[h(u
1
) h(u
2
)].
On retrouve la forme prcdante en posant h(t) = exp[(t)], ou rciproquement
(t) = h(log(t)).
Remarque 1.13 Une autre caractrisation des copules Archimdienne peut se
faire laide de la fonction de Kendall,
K(t) = P(C(U
1
, U
2
) t) = t (t) o (t) =
(t)
(t)
et o (U
1
, U
2
) a pour loi C. De faon rciproque,
(t) = exp
__
t
t0
ds
(s)
_
,
o t
0
(0, 1) est une constante arbitraire (nous avions not que les gnrateurs
taient dnis une constante multiplicative prs. Cette fonction est particu-
lirement en infrence statistique.
Il est galement possible de dnir une classe un peu plus large en autorisant
(0) .
Dnition 1.18 Soit une fonction dcroissante convexe sur (0, 1] [0, ]
telle que (1) = 0. Dnissons linverse de par
1
(t) =
_

1
(t) , for 0 x (0)
0 , for (0) < t < .
On appelera copule Archimdienne de gnrateur la copule dnie par
C(u
1
, u
2
) =
1
((u
1
) +(u
2
)), u
1
, u
2
[0, 1].
Les copules Archimdiennes non strictes prsente un ensemble nul (u
1
, u
2
), (u
1
)+
(u
2
) > 0 non vide, pour lequel
P((U
1
, U
2
) (u
1
, u
2
), (u
1
) +(u
2
) > 0) = 0.
Cet enssemble est major par une courbe nulle, (u
1
, u
2
), (u
1
) + (u
2
) = 0,
de masse
P((U
1
, U
2
) (u
1
, u
2
), (u
1
) +(u
2
) = 0) =
(0)
(0
+
)
,
qui est non nulle ds lors que
(0
+
) est nie.
Exemple 1.20 Soit (t) = t
1, o [1, ), avec le cas limite (t) =

log(t) si = 0 ; la copule associe est la copule de Clayton. Le gnrateur est
strict si > 0.
Le tableau 1.1 prsente quelques familles archimdiennes classiques.
(t) range
(1)
1
(t
1) [1, 0) (0, ) Clayton

(2) (1 t)
[1, )
(3) log
1(1t)
t
[1, 1) Ali-Mikhail-Haq
(4) (log t)
[1, ) Gumbel
(5) log
e
t
1
e
1
(, 0) (0, ) Frank
(6) log{1 (1 t)
} [1, ) Joe
(7) log{t + (1 )} (0, 1]
(8)
1t
1+(1)t
[1, )
(9) log(1 log t) (0, 1] Gumbel-Barnett
(10) log(2t
1) (0, 1]
(11) log(2 t
) (0, 1/2]
(12) (
1
t
1)
[1, )
(13) (1 log t)
1 (0, )
(14) (t
1/
1)
[1, )
(15) (1 t
1/
)
[1, ) Genest - Ghoudi

(16) (
t
+ 1)(1 t) [0, )
Table 1.1 Gnrateurs des principales copules Archimdiennes.
Les copules Archimdiennes en dimension d > 2
Les copules Archimdiennes sont trs utilises en analyse fonctionnelle (e.g.
(84) ou (4)) car elles sont associatives, au sens o, si C est une copule Archim-
dienne, alors
C(C(u
1
, u
2
), u
3
) = C(u
1
, C(u
2
, u
3
)), pour tout 0 u
1
, u
2
, u
3
1.
Cette proprit devrait nous permettre de construire aisment des copules en
dimension quelconque (moyennant quelques hypothses supplmentaires).
30 Chapitre 1
Dnition 1.19 Soit une fonction dcroissante convexe, (0, 1] [0, ] telle
que (1) = 0. Dnissons le quasi-inverse si (0) < ) par
1
(t) =
_

1
(t) , for 0 x (0)
0 , for (0) < t < .
Si d > 2, supposons que
1
est d-compltement monotone (o, pour rappels,
est d-compltement monotone si elle est continue, et que ses drives sont
monotones, de signe altern, i.e. pour tout k = 0, 1, ..., d, (1)
k
d
k
(t)/dt
k
0).
Une copule Archimdienne est alors dnie par
C(u
1
, ..., u
n
) =
1
((u
1
) +... +(u
n
)), pour tout u
1
, ..., u
n
[0, 1].
Ces copules sont obtenues par itrations successives, en posant
C
2
(u
1
, u
2
) =
1
((u
1
) +(u
2
))
et ensuite, pour n 2,
C
n+1
(u
1
, , u
n+1
) = C
2
(C
n
(u
1
, , u
n
), u
n+1
).
Exemple 1.21 Soit une transforme de Laplace dune variable positive ,
alors daprs le thorme de Bernstein, est compltement montone, et (0) =
1. Alors =
1
est compltement montone, et permet dengendrer une copule
Archimdienne de dimension d pour tout d 2. Par exemple si suit une loi
Gamma desprance a et de variance a, alors (t) =, et (t) =. On retrouve la
copule de Clayton . Cette notation est celle retenue dans (55) pour dnir les
copules Archimdiennes,
C(u
1
, , u
d
) = (
1
(u
1
) + +
1
(u
d
)).
Exemple 1.22 Soit X = (X

1
, , X
d
) un vecteur de dures de vies rsidueles,
dont la loi de survie jointe est suppose Schur-constante (i.e. la fois Schur-
concave et Schur-convexe). Alors il existe S : R
+
[0, 1] telle que
P(X
1
> x
1
, , X
d
> x
d
) = S(x
1
+ +x
d
).
Les lois marginales X
i
sont alors Schur-contantes (i.e. suivent des lois exponen-
tielles), et la copule de survie de X est une copule Archimdienne de gnrateur
S
1
. Notons galement que les dures de vies conditionnelles sont identiques,
au sens o
P(X
i
x
i
> t[X > x) = P(X
j
x
j
> t[X > x),
pour tout t > 0 et x R
d
+
. En particulier, si S est la fonction de survie dune loi
de Pareto, on obtient la copule de Clayton, et si S est la fonction de survie dune
distribution de Weibull, on obtient la copule de Gumbel, comme la montr (72).

Remarque 1.3 En dimension d, la copule indpendante vrie
C
(u
1
, , u
d
) = u
1
u
d
=
d
i=1
u
i
= exp
_
d
i=1
log(u
i
)
_
soit
log C
(u
1
, , u
d
) =
d
i=1
log(u
i
)
Lide des copules Archimdienne tait de considrer une fonction
1
d com-
pltement monotone sur [0, ], et de faire une distorsion, en replaant u
i
par
h(x
i
) = exp[(x
i
)], o x
i
[0, 1] (comme introduit par (57) ou (19)). Alors
log C
(exp(x
i
), , exp(x
d
)) =
d
i=1
(x
i
)
soit, h(C(x
1
, , x
d
)) = C
(h(x
i
), , h(x
d
), ou encore
C(x
1
, , x
d
) = h
1
[C
(h(x
i
), , h(x
d
))], o x
i
[0, 1]
Les copules Archimdiennes sont alors une distortion de la copule indpen-
dante. Il pourrait paratre lgimite de tenter des transformation sur une copule
autre que C
.
Remarque 1.14 Un des rsultats les plus ancien sur les copules Archimdienne
est probablement le thorme de Ling : en dimension 2, les copules Archim-
diennes sont les seules copules telles que C(u, u) < u pour tout u (0, 1), et
lquation fonctionnelle dassociativit (prsente en dtails dans (2))
C(C(u
1
, u
2
), u
3
) = C(u
1
, C(u
2
, u
3
)) pour tout u
1
, u
2
, u
3
[0, 1].
Cette construction itrative a t dtaille dans (84), pour construire des copules
Archimdienne en dimension quelconque, au sens o
C
2
(u
1
, u
2
) =
1
((u
1
)+(u
2
)) and C
k
(u
1
, ..., u
k1
, u
k
) = C(C
k1
(u
1
, ..., u
k1
), u
k
),
pour tout k 3.
Proposition 1.6 Soit (C
n
) une suite de copules absolument continues de co-
pules Archimdiennes, de gnrateurs (
n
). La limite de C
n
lorsque n est
une copule Archimdienne si et seulement si une des conditions suivantes est
satisfaite,
il existe telle que s, t [0, 1],
lim
n
n
(s)
n
(t)
=
(s)
(t)
. (1.13)
32 Chapitre 1
il existe continue telle que lim
n
n
(t) = (t).
il existe K continue telle que lim
n
K
n
(t) = K(t).
il existe une suite de constante positive (c
n
) telles que lim
n
c
n
n
(t) = (t),
pour tout t [0, 1].
Ce rsultat a t montr partiellement par (44) et gnralis par (22).
Exemple 1.23 Les copules archimdiennes sont intressantes pour modliser
des risques changeables. Rappelons que pour une srie echangeable X
1
, ..., X
n
, ...
de variables de Bernoulli (modlisant le dfaut dun metteur), les variables sont
conditionnellement indpendantes, et le vecteur (X
1
, ..., X
n
) peut alors tre mo-
dlis naturellement par une copule Archimdienne (comme le fait (71)).
1.4.4 Les copules Archimdiennes gnralises et hirar-
chiques
Considrons le cas o
C(u
1
, , u
d
) =
1
1
[
1
[
1
2
(
2
[
1
d1
[
d1
(u
1
)+
d1
(u
2
)]+ +
2
(u
d1
))]+
1
(u
d
)]
o les
i
sont des gnrateurs de copules. C est une copule si
i

1
i1
est
linverse dune transforme de Laplace. Cette copule est parfois appele fully
nested Archimedean (FNA). On commnece par coupler deux composantes (ici
U
1
et U
2
), puis on couple cette paire avec U
3
, etc.
En dimension d = 5, cela donne
1
1
[
1
(
1
2
[
2
(
1
3
[
3
(
1
4
[
4
(u
1
) +
4
(u
2
)])
+
3
(u
3
)]) +
2
(u
4
)]) +
1
(u
5
)].
On peut aussi envisager une construction plus hirarchique, avec les copules
partially nested Archimedean (PNA), en considrant un couplage complet pour
(U
1
, U
2
, U
3
), un autre pour (U
4
, U
5
), et en couplant les deux vecteurs,
1
4
[
4
(
1
1
[
1
(
1
2
[
2
(u
1
) +
2
(u
2
)]) +
1
(u
3
)])
+
4
(
1
3
[
3
(u
4
) +
3
(u
5
)])]
La condition pour avoir eectivement une copule est que
2

1
1
soit linverse
dune transforme de Laplace, mais aussi
4

1
1
ainsi que
4

1
3
. Ces deux
constructions sont visualises sur la Figure 1.6.
Enn, on peut envisager une construction rellement hirarchique, ne visant
pas uniquement faire du couplage (deux deux),
1
3
[
3
(
1
1
[
1
(u
1
) +
1
(u
2
) +
1
(u
3
)])
+
3
(
1
2
[
2
(u
4
) +
2
(u
5
)])].
Dans ce cas, on a eectivement construit une copule si
3
1
1
ainsi que
3
1
2
sont des inverses de transformes de Laplace. On pourrait aussi envisager
1
3
[
3
(
1
1
[
1
(u
1
) +
1
(u
2
)] +
3
(u
3
)
+
3
(
1
2
[
2
(u
4
) +
2
(u
5
)])].
U
1
U
2
U
3
U
4
U
5
1
U
1
U
2
U
3
U
4
U
5
4
Figure 1.6 Copules Archimdiennes fully nested (gauche) et partially nested
(droite)
U
1
U
2
U
3
U
4
U
5
2
U
1
U
2
U
3
U
4
U
5
2
Figure 1.7 Copules Archimdiennes hirarchiques avec deux constructions dif-
frentes.
Exemple 1.24 Si les
i
sont des gnrateurs de copules de Gumbel de para-
mtre
i
, une condition susante pour que C soit une copule est que les
i
soient croissants, et suprieurs 1. De mme, si les
i
sont des gnrateurs de
copules de Clayton de paramtre
i
, une condition susante pour que C soit
une copule est que les
i
soient croissants, et suprieurs 0.
34 Chapitre 1
1.4.5 Les copules extrmes
Soient X
k
, k = 1, , n un chantillon i.i.d. de vecteurs alatoires de loi
jointe F (suppose continue), de copule C et de lois marginales F
1
, , F
d
. On
note M
n
le vecteur des maximums, composante par composantes,
M
n
= (maxX
1
1
, , X
n
1
, , maxX
1
d
, , X
n
d
)
Soit C
n
la copule associe M
n
, alors
C
n
(u
1
, , u
d
) = C
_
u
1
n
1
, , u
1
n
d
_
n
Les copules extrmes sont les copules qui sont obtenues commme limites de
telles copules.
Dnition 1.20 Une copule C est une copule extrme sil existe une copule
telle que
_
u
1
n
1
, , u
1
n
d
_
n
C(u
1
, , u
d
) lorsque n
pour tout (u
1
, , u
d
) [0, 1]
d
. On dira de plus que est dans le domaine
dattraction de C.
Lensemble des copules extrmes concide avec lensembles des copules max-
stables, i.e. qui vrient
C
_
u
1
n
1
, , u
1
n
d
_
n
= C(u
1
, , u
d
)
pour tout entier n 1, et pour tout (u
1
, , u
d
) [0, 1]
d
.
Il est possible de rcrire le thorme de Pickands-Balkema-de Haan sous la
forme suivante, an de caractriser lensemble des copules extrmes,
Thorme 1.4 Une copule C : [0, 1]
d
[0, 1] est une copule extrme si et
seulement si il existe une mesure nie H sur le simplexe de R
d
, o
d
, appele
mesure spectrale, telle que
C(u
1
, , u
d
) = exp[(log u
1
, , log u
d
)]
o la fonction de dpendance de queue est donne par
(x
1
, , x
d
) =
_
S
d
max
1
x
1
, ,
d
x
d
dH(
1
, ,
d
)
pour tout (x
1
, , x
d
) R
d
+
. On suppose que
_
S
d
i
dH(
1
, ,
d
) = 1 pour
i = 1, , n.
Notons que
(x
1
, , x
d
) = lim
t0
[1 C(1 tx
1
, , 1 tx
d
)]
Cette fonction de dpendance de queue est convexe, homogne de degr 1 (i.e.
(tx
1
, , tx
d
) = t(x
1
, , x
d
) pour tout t > 0) et vrie
maxx
1
, , x
d
(x
1
, , x
d
) x
1
+ +x
d
.
Comme tenu de cette proprit dhomognit, on peut aussi crire
(x
1
, , x
d
) = [x
1
+ +x
d
]A
_
x
1
x
1
+ +x
d
, ,
x
d
x
1
+ +x
d
)
o A est une fonction o
d
[d
1
, 1] appele fonction de dpendance de Pickands
((76) et (77)).
La copule extrme scrit alors
C(u
1
, , u
d
) = exp
__
d
i=1
log u
i
_
A
_
u
1
d
i=1
log u
i
, ,
u
d
d
i=1
log u
i
__
Cette fonction A est convexe, et vrie
max
1
, ,
d
A(
1
, ,
d
) 1
pour tout (
1
, ,
d
) o
d
. Cette dernire proprit caractrise lensemble des
fonctions de dpendance en dimension d = 2 (mais pas au del). Dans ce cas,
on peut alors crire
C(U
1
, U
2
) = [uv]
A(log v/ log uv)
o, par abus de notation, A : [0, 1] [1/2, 1] est convexe et vrie
max, 1 A() 1.
Exemple 1.25 Si C est une copule Archimdienne de gnrateur , tel quil
existe une limite
lim
s0
s
(1 s)
(1 s)
= (, 1]
alors C est dans le domaine dattraction de la copule dont la fonction de dpen-
dance est
(x
1
, , x
d
) = [x
1
+ +x
d
]
1
.
La copule limite est alors
C(u
1
, , u
d
) = exp
_
_
[log u
1
]
+ + [log u
1
]
_
1
_
qui correspond la copule de Gumbel.
36 Chapitre 1
Exemple 1.26 En dimension 2, la copule de Student t de corrlation r et
scrit
C(u
1
, u
2
) =
_
T
1
(u1)
_
T
1
(u2)
1 r
2
2
+ 1
_
2
_
_
1 +
x
2
2rxy +y
2
(1 r
2
)
_
2
+1
dxdy.
Cette copule est dans le domaine dattraction de la copule extrme dont la
fonction de dpendance de Pickands est dnie par
A() = T
+1
(z
) + (1 )T
+1
(z
1
)
o
z
=
_
1 +
1 r
2
_
_

1
_1
r
_
pour tout [0, 1].
1.4.6 La copule de Clayton
Commenons par le cas d = 2 an de simplier la prsentation.
Utilisation des odds ratio
En reprenant lide initiale de (24) dveloppe par la suite dans (74), d-
nissons la fonction suivante
(x, y) =
C (x, y) C
12
(x, y)
C
1
(x, y) C
2
(x, y)
, x, y [0, 1],
o C
1
(X
1
, X
2
) = C(X
1
, X
2
)/x =
x
C(X
1
, X
2
), C
2
(X
1
, X
2
) = C(X
1
, X
2
)/y =
y
C(X
1
, X
2
) et C
12
(X
1
, X
2
) =
2
C(X
1
, X
2
)/xy =
xy
C(X
1
, X
2
). (24) avait
introduit cette fonction en essayant dtudier la transmission de maladie des
parents aux enfants. Si lon considre le pre et son ls par exemple, et que
X correspond lge de dcs du ls alors que Y correspond lge de d-
cs du pre, les deux ne doivent probablement pas tre indpendants ( cause
de nombreux facteurs communs, ou de transmission de certaines pathologies).
La fonction (x, y) devrait permettre de mesurer le degr dassociation entre
X et Y , le cas dindpendance correspondant au cas o (x, y) = 1 (et r-
ciproquement dailleurs), avec une forme de dpendance positive ds lors que
(x, y) > 1, au sens o (x, y) > 1 si et seulement si (X, Y ) est croissant dans
le coin gauche (left corner set increasing, LCSI). On note aussi que tend vers
linni dans le cas comonotone.
Remarque 1.15 Cette fonction apparat dans (34) sous le nom de ratio de
fonctions de hasard conditionnel. En eet, si X et Y sont deux dures de vie et
que lon pose
h(X
1
, X
2
) =
xy
P(X > x, Y > y)
P(X > x, Y > y)
,
(correspondant au taux de hasard de (X
1
, X
2
)),
h
Y
(X
1
, X
2
) =
y
P(X > x, Y > y)
P(X > x, Y > y)
,
(le taux de hasard de Y sachant que X a vcu au moins une dure x) et
h
Y |X
(X
1
, X
2
) =
xy
P(X > x, Y > y)
x
P(X > x, Y > y)
,
(le taux de hasard de Y sachant que X tait dcd avant x annes), alors
(X
1
, X
2
) =
h
Y |X
(X
1
, X
2
)
h
Y
(X
1
, X
2
)
=
h
X|Y
(X
1
, X
2
)
h
X
(X
1
, X
2
)
.
En allant un peu plus loin, comme le notent (24) ou (74), on peut aussi crire
le ratio
(X
1
, X
2
) =
h(X
1
, X
2
)
h
X
(X
1
, X
2
)h
Y
(X
1
, X
2
)
.
Cette fonction, dnie dans (24) comme un odds-ratio, est symmtrique eet
indpendant des lois marginales.
La copule de Pareto
Une autre approche a permis daboutir la mme copule. Pour cela, suppo-
sons que X et Y soient conditionnellement indpendante, sachant , et , i.e.
P(X > x) = exp(y) et P(Y > y) = exp(y). Supposons de plus que suive
une loi Gamma, alors
P(X > x, Y > y) =
_

0
exp([x +y])
1
exp(/)
()
d = (1 +x +y)
.
(1.14)
On notera tout dabord que les lois marginales (non conditionnelles) sont des
lois de Pareto, P(X > x) = (1 x)
et P(Y > y) = (1 y)
. De plus, la
copule de survie du couple (X
1
, X
2
) est
C
(U
1
, U
2
) = (u
1/
+v
1/
1)
,
avec > 0, appele copule de Pareto.
Lapproche par vieillissement (frailty model
Ces modles ont t introduits la n des annes 70, et popularise par (74).
Lide est dtendre la modlisation de la partie prcdante. On suppose que lon
veut modliser deux dures de vie, X et Y , indpendantes conditionnellement
un facteur exogne . On assume aussi que les lois conditionnelles de X et Y
sachant sont de la forme
F
X|
(x[) = P(X > x[ = ) = G
X
(x)
,
38 Chapitre 1
pour une fonction de rfrence G
X
, pour tout , et de manire similaire pour la
loi de Y sachant = . Alors
P(X > x, Y > y) = E(P(X > x, Y > y[)) = E(P(X > x[)P(X > x[)),
cest dire,
P(X > x, Y > y) = E(exp[(log P(X > x))] exp[(log P(Y > y))]),
do nalement, si correspond la transforme de Laplace de , i.e. (t) =
E(exp(t)), on peut crire
P(X > x, Y > y) = (logP(X > x) logP(Y > y)).
Compte tenu de lcriture des lois marginales, P(X > x) = (log G
X
(x)) la
coule de survie de (X
1
, X
2
) est alors donne par
C
(U
1
, U
2
) = (
1
(u) +
1
(v)),
qui est une copule Archimdienne de gnrateur =
1
. Dans le cas particulier
o le facteur exogne suit une loi Gamma, (t) = (1 + t)
1/()
), alors C
est
la copule de Clayton.
Proprit de la copule de Clayton, en dimension d = 2
Dnition 1.21 Soit 1, la copule de Clayton de paramtre est dnie
sur [0, 1] [0, 1] par
C(u
1
, u
2
) = (u
1/
2
+u
1/
2
1)
.
Si = 0, on considrera le cas limite, savoir C(u
1
, u
2
) C
(u
1
, u
2
) =
u
1
u
2
. Plus gnralement, notons que 1, 0 et , C correspond
respectivement au cas anticomonotone (si d = 2), au cas indpendant, et la
copule comonotone. De plus, si 0
1

2
, notons que C
1
(u
1
, u
2
) C
2
(u
1
, v
2
)
pour tout u
1
, u
2
[0, 1].
La densit de la Copule de Clayton est reprsente sur la Figure 1.8.
Copule de Clayton en dimension d > 2
La copule de Clayton tant Archimdienne, de gnrateur (t) = t
1, on
peut aisment ltendre la dimension d > 2, condition de se restreindre au
cas 0.
Dnition 1.22 Pour tout 0, la copule de Clayton de paramtre est
dnie sur [0, 1] ... [0, 1] par
C(x
1
, ..., x
n
) = (x
1/
1
+... +x
1/
n
(n 1))
. (1.15)
Figure 1.8 Exemples de densits de la copule de Clayton, avec = gauche
( = 0, 5) et = droite ( = 0, 8).
Cette copule peut tre obtenue de la manire suivante : posons
U
i
=
_
1 +
Y
i
Z
_
, i = 1, ..., d,
o les Y
i
sont des variables exponentielles c(1) indpendantes, indpendante de
Z ((, 1). Alors (U
1
, ..., U
n
) admet pour loi jointe C donne par 1.15.
1.4.7 Le modle de Marshall et Olkin
Le modle choc commun
La classe des copules dite de Marshall et Olkin est drive du modle choc
commun introduit par (66).
Soient X
1
et X
2
deux dures de vies, associs deux composants (nots x
1
et
x
2
). Suppposons que 3 chocs penvent aecter ces composantes : deux associs
aux composants x
1
et x
2
, indpendament, et un dernier qui aecte les deux.
Supposons que ces chocs sont modliss par des processus de Poisson, avec une
dure avant le premier choc Z
1
(exponentielle, de paramtre
1
), qui afecte
x
1
, Z
2
(exponentielle, de paramtre
2
), qui afecte x
2
, et Z
12
(exponentielle,
de paramtre
12
), qui afecte x
1
et x
2
. Les dates de survenance des chocs sont
supposs indpendantes.
Si lon suppose que les chocs sont fatals pour les deux composants, la dure
40 Chapitre 1
de vie des composants, (X
1
, X
2
) Admet pour fonction de survie
F(X
1
, X
2
) = P(X
1
> x
1
, X
2
> y > x
2
) = P(Z
1
> x
1
)P(Z
2
> x
2
)P(Z
12
> minx
1
, x
2
).
Or les lois des Z
i
sont exponentielles, et donc
P(X
1
> x
1
, X
2
> x
2
) = exp(
1
x
1
2
x
2
12
maxx
1
, x
2
) , x
1
, x
2
> 0.
On notera que les lois marginales X
1
et X
2
suivent des lois exponentielles de
paramtre
1
+
12
et
2
+
12
, respectivement.
Proposition 1.7 F satisfait une proprit faible dabsence de mmoire, au sens
o
F(x
1
+t, x
2
+t) = F(x
1
, x
2
)F(t, t).
Preuve 1.1 Soient x
1
, x
2
, t > 0, alors
F(x
1
+t, x
2
+t) = exp(
1
(x
1
+t)
2
(x
2
+t)
12
maxx
1
+t, x
2
+t) ,
i.e.
F(x
1
+t, x
2
+t) = exp(
1
x
1
2
x
2
12
maxx
1
, x
2
) exp([
1
12
] t) ,
que lon peut rcire F(x
1
+t, x
2
+t) = F(x
1
, x
2
)F(t, t) pour tout x
1
, x
2
, t > 0.
Remarque 1.16 Il existe une proprit forte dabsence de mmoire (introduite
dans (66)) savoir
F(x
1
+t
1
, x
2
+t
2
) = F(x
1
, x
2
)F(t
1
, t
2
),
pour tout x
1
, x
2
, t
1
, t
2
> 0. (66) (mais aussi (3)) ont montr que les seuls vecteurs
composantes indpendantes pouvaient vrier cette proprit.
Notons galement quune autre criture possible de la proprit faible peut
tre que
F((1 +)x
1
, (1 +)x
2
) = F(x
1
, x
2
)F(x
1
, x
2
), > 0.
Cette quation fonctionnelle a t considre en particulier dans (75). De telles
fonctions sont lies aux problmes dextrmes multivaris.
Si on note
=

12
1
+
12
et =

12
2
+
12
,
la copule de survie du couple (X
1
, X
2
) est donne par
C
(u
1
, u
2
) = u
1
u
2
minu
1
, u
2
= minu
1
1
u
2
, u
1
u
1
2
.
Copule induite par le modle de Marshall et Olkin
Dnition 1.23 Etant donns , (0, 1), la copule de Marshall-Olkin de
paramtre (, ) est
C(u
1
, u
2
) = minu
1
1
u
2
, u
1
u
1
2
.
Cette copule est parfois appele copule de Cuadras-Aug dans le cas = ,
tel quil apparat dans (29).
Remarque 1.17 Notons que ces copules sont obtenus par mlange, et possde
une composante singulire, de masse strictement positive suivant la courbe ( =
(u
1
, u
2
) [0, 1] [0, 1], u
1
= u
2
. De plus, la masse de cette courbe est
P(U
1
= U
2
) = P( le premier choc aecte les deux composantes ) =

12
1
+
2
+
12
> 0.
On notera que pour cette copule, le de Kendall et le de Spearman sont
respectivement
=

+
et =
3
2 + 2
,
et les indices de dpendance de queue sont donns par
L
= lim
u0
C(u, u)
u
= lim
u0
u
2
minu
, u
u
= lim
u0
uminu
, u
= 0,
et
U
= lim
u1
C(u, u)
1 u
= lim
u1
1 2u +u
2
minu
, u
1 u
= lim
u1
1 2u +u
2
u
1 u
= ,
en supposant que < . Plus gnrallement,
L
= 0 et
U
= min, .
Intrt de la copule de Marshall et Olkin
Ce modle choc commmun prsente lavantage de le rendre facilement
interprtable, et pratique pour la programmation. Il a ainsi t abondament
utilis en abilit (e.g. (50)), an de modliser les competing risks (e.g. (30)).
En assuranc vie, (43) et (16) ont montr son intrt, et surtout la facilit avec
laquelle ont peu driver des formules fermes en ne supposant plus les dures
de vie entre poux comme indpendantes. Si on note T
x
et T
y
les dures de vie
rsiduelles dun mari et de son pouse la signature dun contrat dassurance
vie (ils sont alors respectivement lge x et y), on note classivement
k
p
xy
la
probabilit conditionnelle quau moins un des deux survive k annes,
k
p
xy
= 1 P(T
x
k, T
y
k).
42 Chapitre 1
Si lon suppose ces dures de vie rsiduelles exponentielles, alors
k
p
xy
=
k
p
x
+
k
p
y
exp(
xy
k)
k
p
x
k
p
y
.
Lannuit pour un contrat au dernier survivant scrit alors
a
xy
=
k=1
v
k
P(T
x
> k or T
y
> k) =
k=1
v
k
k
p
xy
.
En posant
k
p
x
= exp(
xy
k)
k
p
x
et
k
p
y
= exp(
xy
k)
k
p
y
, les annuits scrivent
alors as
a
xy
=
k=1
e
(+xy)k
_
k
p
x
+
k
p
y

k
p
k
p
y
_
,
correspondant un calcul fait en supposant lindpendance entre les dures de
vie, et en actualisant avec un facteur +
x
y. On note que plus la dpendance
est forte, plus faible sera le montant de lannuit.
Les gnralisations du modle de Marshall et Olkin
Le modle de Marshall et Olkin est caractris par des lois marginales expo-
nentielles, et une proprit faible dabsence de mmoire, i.e.
F(x
1
+t, x
2
+t) = F(x
1
, x
2
)F(t, t), x
1
, x
2
, t > 0, (1.16)
(70) a propos une extension de la forme
F(x
1
t, x
2
t) = F(x
1
, x
2
)F(t, t), x, y, t > 0, (1.17)
o est un oprateur binaire associatif (i.e. (x y) z = x (y z)).
Comme le notaient (3) et (84), les oprateurs associatif continue (qui vrient
de plus la foncction x y = x z ou y x = z x implique y = z) peuvent
scrire
x y =
1
((x) +(y)),
o est une fonction continue strictement monotone. Si on suppose is a conti-
nuous strictly monotone function. Si on suppose de plus que admette un
lment identit e (i.e. x e = x). Alors, (70) a montr que la solution de la
proprit dabsence de mmoire F(x t) = F(x)F(t) serait de la forme
F(x) = exp((x)), > 0 and e =
1
(0) < t.
Aussi, la solution continue de la condition 1.17
F(x
1
t, x
2
t) = F(x
1
, x
2
)F(t, t), pour x
1
, x
2
, t > 0,
o les marges vrient aussi la proprit dabsence de mmoire (F
X
(x t) =
F
X
(x)F
X
(t)) est de la forme
F(x
1
, x
2
) = exp(
1
(x
1
)
2
(x
2
)
12
(maxx
1
, x
2
)),
1
,
2
,
12
> 0.
Exemple 1.27 Considrer les trois oprateurs suivants
si x y = x + y, alors est une fonction ane : on obtient des lois
exponentielles (F(x) = exp(x)), wavec une proprit faible dabsence
de mmoire, ce qui correspond au modle propos par Marshall et Olkin.
si x y = xy, alors est la fonction log, et les lois marginales sont alors
des lois de Pareto, F(x) = x
, x > 1. De plus
F(x
1
, x
2
) =
1
x
1
1
1
x
2
2
1
maxx
1
, x
2
12
, (1.18)
qui est une loi de Pareto bivarie (mais pas celle prsente dans la section
1.4.6). Ce modle sinterprte en notant que la modlisation par choc com-
mun reste valide : (X
1
, X
2
) admet une loi de Pareto bivarie dnie par
lEquation 1.18 si et seulement si il existe Z
1
, Z
2
et Z
0
, suivant des loi de
Pareto, indpendantes, telles que X
1
= minZ
1
, Z
0
et X
2
= minZ
2
, Z
0
.
si x y = (x
+ y
)
1/
, alors est une fonction puissqnce, et les lois
marginales suivent des lois de Weibull, F(x) = exp(x
), x > 0. La
fonction de survie jointe est alors
F(x
1
, x
2
) = exp(
1
x
1

2
x
2

12
maxx
1
, x
2
) ,
qui a t induit par (66). Cette fonction apparat l aussi naturellement
dans les modles dextrmes multivaris.
1.4.8 Le modle de Gumbel

La copule de Gumbel a t introduite dans (49). Elle est parfois appele
copule de Gumbel-Hougaard, suite son utilisation dans (52), ou encore la dis-
tribution logistique extrme.
Une loi logistique bivarie
Considrons la loi dont la fonction de rpartition est de la forme
F(X
1
, X
2
) = exp
_
(x
1
+x
2
)
1/
_
, x
1
, x
2
> 0,
o 1. Cette fonction peut se rcire sous la forme
F(X
1
, X
2
) = exp
_
_
[log(e
1/x1
)]
+ [log(e
1/x2
)]
_
1/
_
, x
1
, x
2
> 0.
Les lois marginales de cette distribution sont des loi de Frchet standard (de
fonction de rpartition F
i
(x
i
) = e
1/xi
for x
i
> 0). La copule associe cette
loi bivarie est alors
C(u
1
, u
2
) = exp
_
_
[log u
1
]
+ [log u
2
]
_
1/
_
, u
1
, u
2
[0, 1],
o 1.
44 Chapitre 1
Une distribution pour des dfauts joints
Comme dans la section 1.4.6, considrons deux dures de vie rsiduelles T
1
et T
2
, indpendantes conditionnellement un facteur (frailty factor) de dis-
tribution stable, dont la transforme de Laplace est (t) = exp(t
). On sup-
pose que X[ et Y [Theta suivent des lois exponentiellesde paramtre . La loi
jointe est alors la distribution logistique extrme, et donc la copule associe est
le copule de Gumvel. De plus, cette copule est Archimdienne, d gnrateur
(t) =
1
(t) = (log t)
, avec > 0. On obtient galement une extension de

la copule en dimension d 2.
Properits de la copule de Gumbel
Dnition 1.24 Soit 1, la copule de Gumbel de paramtre est dnie sur
[0, 1] [0, 1] par
C(u
1
, u
2
) = exp
_
_
[log u
1
]
+ [log u
2
]
_
1/
_
, u
1
, u
2
[0, 1].
La densit de la Copule de Gumbel est reprsente sur la Figure 1.8.
Figure 1.9 Exemples de densits de la copule de Gumbel, avec = gauche
( = 0, 5) et = droite ( = 0, 8).
Le de Kendall dune copule de Gumbel de paramtre 1 est
=
1
,
((73)), et les indices de dpendance de queue sont
L
= 0 et
U
= 2 2
1/
.
Remarque 1.18 La copule de Gumbel est max-stable, au sens o pour tout
t > 0,
C
t
(u
1
, u
2
) = C(u
t
1
, u
t
2
), u
1
, u
2
[0, 1],
1.4.9 La copule Gaussienne
La copule est obtenue ds lors que lon
Dnition 1.25 Pour tout r [1, 1], la copule Gaussienne est dnie par
C(u
1
, u
2
) =
1
2
1 r
2
_

1
(u1)
_

1
(u2)
exp
_
x
2
2rxy +y
2
2(1 r
2
)
_
dxdy
La densit de la copule Gaussienne peut se visualiser sur la Figure Graph-
copule-FIG-GAUSSIENNE.
Figure 1.10 Exemples de densits de la copule de Gaussienne, avec =
gauche ( = 0, 5) et = droite ( = 0, 8).
Corrlation et mesures de dpendance
Pour une copule Gaussienne dont le vecteur Gaussien sous-jacent a pour
corrlation r [0, 1], le de Kendall et le de Spearman sont respectivement
=
2
sin
1
(r) et =
6
sin
1
_
r
2
_
46 Chapitre 1
1.5 Mesurer et comparer des dpendance
Mesures de dpendance
(81) a propos une axiomatique sur les proprits fondamentales que devrait
satisfaire une mesure de concordance . Pour cela, il convient que la mesure soit
cohrente avec une relation dordre sur les paires de variables alatoire, lordre
naturel tant lordre _
PQD
(de dpendance positive par quadrant, parfois appel
aussi ordre de concordance), dni par X = (X
1
, X
2
) _
PQD
(Y
1
, Y
2
) = Y si
et seulement si
P(F
X1
(X
1
) u
1
, F
X2
(X
2
) u
2
) P(F
Y1
(Y
1
) u
1
, F
Y2
(Y
2
) u
2
),
pour tout 0 u
1
, u
2
1. Ou de manire quivalente, si C
X
est la copule associe
X, et C
Y
est la copule associe Y ,
X = (X
1
, X
2
) _
PQD
(Y
1
, Y
2
) = X si et seulement si C
X
(u
1
, u
2
) C
Y
(u
1
, u
2
).
Dnition 1.26 est une mesure de concordance si et seulement si vrie
les proprits suivantes
1. est dnie pour toute paire de variables continues (X
1
, X
2
),
2. 1 (X
1
, X
2
) +1, (X
1
, X
1
) = +1 et (X
1
, X
1
) = 1,
3. (X
1
, X
2
) = (X
2
, X
1
),
4. si X
1
et X
2
sont indpendantes, alors (X
1
, X
2
) = 0,
5. (X
1
, X
2
) = (X
1
, X
2
) = (X
1
, X
2
),
6. si (X
1
, X
2
) _
PQD
(Y
1
, Y
2
), alors (X
1
, X
2
) (Y
1
, Y
2
),
7. si
_
X
1
1
, X
1
2
_
,
_
X
2
1
, X
2
2
_
, ... est une suite de vecteurs qui converge en loi
vers (X
1
, X
2
) alors (X
n
1
, X
n
2
) (X
1
, X
2
) lorsque n .
On notera que si ces axiomes semblent naturels, la corrlation par exemple
ne satisfait pas le premier (qui nest valide que pour des vecteurs dont les com-
posantes sont dans L
2
). A laide du second et du cinquime axiome, on voit que
lon pourra dnir une notion de dpendance positive, mais nous empchera
gnrallement davoir une quivalence dans le quatrime axiome. On remar-
quera galement que toutes ces proprits correspondent des proprits de la
corrlation dans le cas des vecteurs Gaussiens.
Remarque 1.19 (78) avait propos de nir les mesures de dpendance sous la
forme de distance lindpendance, ne permettant pas de distinguer dpendance
positive et ngative. (78) imposait en particulier que (X, X) = +1, et des
proprits de linarit de la mesure, i.e. (aX+b, cY +d) = (X
1
, X
2
) pour tout
a, c > 0 et b, d. En supposant que est compris entre 0 et 1, (78) avoir dni un
mesure. (85) ont not que ces hypothses taient beaucoup trop contraignantes.
Proposition 1.8 Si est une mesure de concordance, et si f, g : R R sont
deux fonctions croissantes (f(X), g(Y )) = (X
1
, X
2
). De plus, (X
1
, X
2
) = 1
sil existe f presque srement strictement croissante telle que Y = f(X) with
f ; et de manire analogue (X
1
, X
2
) = 1 si Y = f(X) o f presque srement
strictement dcroissante.
Preuve 1.2 La preuve est donne dans (81).
On dduit de cette proposition que les mesures de concordance sont fonction
de la copule uniquement, au sens o si (X
1
, X
2
) et (Y
1
, Y
2
) ont la mme copule
(note C), alors (X
1
, Y
1
) = (X
2
, Y
2
) = (C).
Exemple 1.28 Le q de Blomqvist, parfois appel coecient de corrlation m-
diane, est dni par
q = P((X mdiane(X))(Y mdiane(Y )) > 0)
P((X mdiane(X))(Y mdiane(Y )) < 0),
qui peut aussi scrire
q = 4C
_
1
2
,
1
2
_
1.
1.5.1 La corrlation comme mesure standard de dpen-

dance
La corrlation linaire de Pearson
Soient X
1
et X
2
deux variables alatoires continues de variance nie, alors
la corrlation linaire (ou de Pearson) est dnie par
corr(X
1
, X
2
) =
cov(X
1
, X
2
)
_
V ar(X)V ar(Y )
=
E([X E(X)][X Y(Y )])
_
E([X E(X)]
2
)E([Y E(Y )]
2
)
.
On parle de corrlation linear au sens o corr(X
1
, X
2
) = +1 si et seulement sil
existe a > 0 et b tels que Y = aX +b presque srement. De plus, cet coecient
est invariant par transformations anes, i.e.
corr(aX
1
+b, cX
2
+d) = corr(X
1
, X
2
) si a et csontdemmesigne.
Exemple 1.29 Comme corr(X
1
, X
2
) peut scrire sous la forme E((X
1
, X
2
))
o : R
2
R supermodulaire, alors corr(X
1
, X
2
) vrie lingalit de Tchen ((89)),
corr(X
, Y
) = corr(F
1
X
(U), F
1
X
(1 U)) corr(X
1
, X
2
)
corr(F
1
X
(U), F
1
X
(U)) = corr(X
+
, Y
+
),
48 Chapitre 1
o U est uniformment distribu sur [0, 1]. En consquence, le coecient de cor-
rlation ne dcrit pas ncessairement lintervalle [1, 1]. E.g., si X et Y suivent
une loi lognormale, de paramtre de vaariance 1 et , respectivement,
e
2
1
e 1
r (X, Y )
e
2
1
e 1
. (1.19)
(cf. (79) ou (? )). Ceci implique en particulier quun coecient de corrlation
proche de 0 peut parfaitement correspondre un cas de comonotonie.
Exemple 1.30 Ce coecient de corrlation apparat naturellement dans les
modles de rgression. Si on considre la rgression de Y sur X, les estimateurs
des coecients de la rgression a et
b qui minimisent E(Y (aX +b))

2
sont
a =
cov(Y, X)
V ar(X)
et
b = E(Y ) aE(X).
1.5.2 Kendalls tau and Spearmans rho

We discuss in this section two major measures of concordance, Kendalls tau
and Spearmans rho. They shall provide interesting alternatives to Pearsons
(linear) when this measure may be inappropriate (see Example 1.29 and (? )).
Le de Spearman entre deux variables continues est la corrlation (au sens
de Pearson) entre U
1
= F
1
(X
1
) et U
2
= F
2
(X
2
). Comme U
1
et U
2
sont uniform-
ment rpartie sur [0, 1], E(U
1
) = E(U
2
) = 1/2, and V ar(U
1
) = V ar(U
2
) = 1/12,
et donc
(X
1
, X
2
) = corr(U
1
, U
2
) =
E(U
1
U
2
1/4
1/12
= 12E(U
1
U
2
) 3.
Dnition 1.27 Soit (X
1
, X
2
) un couple de variables alatoire de copule C, et
de lois marginales continues. Alors le de Spearmab est
(X
1
, X
2
) = 12
_
1
0
_
1
0
C(u
1
, u
2
)du
1
du
2
3
= 12
_
R
_
R
[F(x
1
, x
2
) F
1
(x
1
)F
2
(x
2
)]dx
1
dx
2
.
Comme le note (34), lexpression droite est une distance moyenne entre F
et F
. Ce coecient a t introduit sous sa forme empirique par Spearman en

1904. Il est possible de noter que
(X
1
, X
2
) = 3[P((X
1
Y
1
)(Y
2
Z
3
) > 0) P((X
1
Y
2
)(X
2
Z
3
) < 0)],
o (X
1
, X
2
), (Y
1
, Y
2
) et (Z
1
, Z
2
) sont trois versions indpendantes de (X
1
, X
2
)
((73)).
1
, X
2
) un couple de variables alatoires continues, de
copule C, alors de de Kendall est dni par
(X
1
, X
2
) = 4
_
1
0
_
1
0
C(u
1
, u
2
)dC(u
1
, u
2
) 1 = 4E(C(U
1
, U
2
)) 1.
L encore, intiallement, le de Kendall na pas t dni, initialement,
laide des copules, mais comme une probabilit de concordance laquelle on
soustrait la probabilit de discordancedu vecteur (X
1
, X
2
), i.e.
(X
1
, X
2
) = 3[P((X
1
Y
1
)(X
2
Y
2
) > 0) P((X
1
Y
1
)(X
2
Y
2
) < 0)],
o (X
1
, X
2
) and (Y
1
, Y
2
) sont deux versions indpendantes de (X
1
, X
2
) ((73)).
Proposition 1.9 Si X
1
et X
2
sont continues, alors le de Kendall et le de
Spearman sont des mesures de concordance.
Preuve 1.3 (73).
En particulier pour des vecteurs comonotones, (X
1
, X
2
) = 1 et (X
1
, X
2
) =
1, alors que pour des vecteurs anticomonotones (X
1
, X
2
) = 1 and (X
1
, X
2
) =
1. Et la rciproque est vraie.
Lemme 1.1 Let X and Y be two continuous random variables, and let (X
1
, X
2
)
denote (X
1
, X
2
) or (X
1
, X
2
). (X
1
, X
2
) = 1 if and only if X and Y are como-
notonic, and (X
1
, X
2
) = 1 if and only if X and Y are counter-comonotonic
Preuve 1.4 See (? ).
Exemple 1.31 Pour la copule min-max prsente dans lExemple 1.5, on no-
tera que
(X
1:n
, X
n:n
) =
1
2n 1
.
Exemple 1.32 Si X
1
et X
2
forment un couple de copule Archimdienne, de
gnrateur , alors le de Kendall scrit
(X
1
, X
2
) = 1 + 4
_
1
0
(t)
(t)
dt.
Exemple 1.33 Comme le montre (55), considrons pour [0, 1] une mlange
entre la copule indpendante et la borne suprieure de Frchet-Hoeding,
C(u
1
, u
2
) = (1 )C
(u
1
, u
2
) +C
+
(u
1
, u
2
),
50 Chapitre 1
pour tout (u
1
, u
2
) [0, 1][0, 1]. Alors si (X
1
, X
2
) a pour copule C, (X
1
, X
2
) =
.
Plus gnralllement, si lon rajoute la borne infrieure de Frchet-Hoeding,
comme suggr par (42), avec comme paramtres de mlange , > 0 tels que
+ 1,
C(u
1
, u
2
) = C
(u
1
, u
2
)+(1)C
(u
1
, u
2
)+C
+
(u
1
, u
2
), pour tout (u
1
, u
2
) [0, 1][0, 1].
Alors (X
1
, X
2
) = .
Les Tableaux ?? et 1.2 montrent lvolution du de Kendall et du de
Spearman en fonction du paramtre sous jacent (not ici ),
de Spearman 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Gaussian 0.00 0.10 0.21 0.31 0.42 0.52 0.62 0.72 0.81 0.91 1.00
Gumbel 1.00 1.07 1.16 1.26 1.38 1.54 1.75 2.07 2.58 3.73 +
A.M.H. 1.00 1.11 1.25 1.43 1.67 2.00 2.50 3.33 5.00 10.0 +
Plackett 1.00 1.35 1.84 2.52 3.54 5.12 7.76 12.7 24.2 66.1 +
Clayton 0.00 0.14 0.31 0.51 0.76 1.06 1.51 2.14 3.19 5.56 +
Frank 0.00 0.60 1.22 1.88 2.61 3.45 4.47 5.82 7.90 12.2 +
Joe 1.00 1.12 1.27 1.46 1.69 1.99 2.39 3.00 4.03 6.37 +
Galambos 0.00 0.28 0.40 0.51 0.65 0.81 1.03 1.34 1.86 3.01 +
Morgenstein 0.00 0.30 0.60 0.90 - - - - - - -
Table 1.2 de Spearman en fonction du paramtre de la copule sous-jacente.
Remarque 1.20 En analyse canonique nonlinaire, on cherche les transforma-
tions (nonlinaires) qui maximisent la corrlation entre deux variables ((? ))
r
(X
1
, X
2
) = maxa(X), b(Y )
o a, b : R R sont des fonctions mesurables telles que Var(a(X)) et Var(b(X))
soient nis. On parle alors de de corrlation maximale. On notera que cette
mesure peut tre intressante, en particulier car r
(X
1
, X
2
) = 0 si et seulement si
les variables X et Y sont indpendantes. De plus, dans le cas Gaussie, comme la
montr (58), r
(X
1
, X
2
) = r(X
1
, X
2
), autrement dit la corrlation est maximale
avec des transformations anes.
(56) avaient suggr de se limiter aux fonctions a et b monotones, introduisant
ainsi la corrlation monotone.
1.5.3 Autres mesures de corrlation
Parmi les autres mesures intressantes, car ne dpendant que des rangs, on
pourra introduire lindice de Gini, le de Blomqvist, ou encore la classe de
Schweizer et Wol.
1
, X
2
) un couple de copule C. Lindice de Gini est
dni par
(X
1
, X
2
) = 4
__
1
0
C(s, 1 s)ds
_
1
0
[s C(s, s)[ds
_
.
Cet indice....
(14) a propos un test dit que quadrant, consistant valuer la probabilit que
X et Y dpassent conjointement la valeur mdiane.
Dnition 1.30 Soit (X 1, X
2
) un couple de copule C. Lindice de Blom-
qvist est dni par
(X1, X
2
) = 2P
__
X
1
> F
1
1
_
1
2
__ _
X
2
> F
1
2
_
1
2
__
> 0
_
1 = C
_
1
2
,
1
2
_
1.
Enn, (85) et (? ) ont propos dtendre la dnition du de Spearman,
(X
1
, X
2
) = 12
_
1
0
_
1
0
[C(u
1
, u
2
) C
(u
1
, u
2
)[du
1
du
2
en changeant la norme utilise pour mesurer la distance entre C et C
,
k(X
1
, X
2
) =
_
1
0
_
1
0
|C(u
1
, u
2
) C
(u
1
, u
2
)|
du
1
du
2
,
o | |
dsigne une norme, et
une constante de normalisation (de manire

avoir k(X
1
, X
1
) = 1).
1
, X
2
) un couple de copule C. Lindice
2
de Hoeding
est dni par
k(X
1
, X
2
) =
90
_
1
0
_
1
0
[C(u
1
, u
2
) C
(u
1
, u
2
)]
2
du
1
du
2
.
1
, X
2
) un couple de copule C. Le est dni par
(X
1
, X
2
) = 4 sup
[0,1]
2
_
[C(u
1
, u
2
) C
(u
1
, u
2
)[
_
.
Cette dernire mesure peut se rapprocher dune distance de Kolmogorov-
Smirnov par rapport lindpendance.
1.5.4 Dpendance locale, dans les queues
Pour tudier la dpendance dans les queues de distribution (90) avait suggr
dintroduire des fonctions de concentrations dans les queues.
Dnition 1.33 Pour la queue infrieure,
L(z) = P(U < z, V < z)/z = C(z, z)/z = P(U < z[V < z) = P(V < z[U < z),
et pour la queue suprieure,
R(z) = P(U > z, V > z)/(1 z) = P(U > z[V > z).
52 Chapitre 1
(54) avait dnie le paramtre de dpendance de queue suprieure et de
queue infrieure, respectivement, en posant
U
= R(1) = lim
z1
R(z) et
L
= L(0) = lim
z0
L(z).
1
, X
2
) un couple alatoire dans R
2
. Les indices de d-
pendance de queue infrieure (L) et suprieure (U) sont dnis respectivement,
ds lors que les limites existent, par
L
= lim
u0
P
_
X F
1
X
(u) [Y F
1
Y
(u)
_
,
et
U
= lim
u1
P
_
X > F
1
X
(u) [Y > F
1
Y
(u)
_
.
Proposition 1.10 Soit (X
1
, X
2
) un couple de copule C, alors les indices de
dpendance de queue, sils existent, sont dnis par
L
= lim
u0
C(u, u)
u
et
U
= lim
u1
C
(u, u)
1 u
.
Exemple 1.34 Considrons le cas de copules Archimdiennes (comme dans
(73), (21) ou (1)),
U
= 2 lim
x0
1
1
(2x)
1
1
(x)
et
L
= lim
x0
1
(2(x))
x
= lim
x
1
(2x)
1
(x)
.
De plus, des proprits peuvent tre obtenues dans le cas de distortion de gn-
rateurs,
,
() = (
. Dans ce cas, les coecients de dpendance de queue

suprieure et infrieure sont respectivement
U
et
1/
L
pour
,1
() = (
)
et
2 (2
U
)
1/
et
1/
L
for
1,
() = ()
(60) ont propos une approche alternative pour quantier la dpendance

dans les queues. Considrons un couple de variables alatoires de mme loi,
X
1
L
= X
2
.
sous hypothse dindpendance, P(X > t, Y > t) = P(X > t) P(Y >
t) = P(X > t)
2
,
sous hypothse de comonotonie, P(X > t, Y > t) = P(X > t) = P(X >
t)
1
,
On peut alors supposer que P(X > t, Y > t) P(X > t)
1/
as t , o
(0, 1] sera appele indice de dpendance de queue. On peut alors dnir un
indice de queue infrieure et de queue suprieure, respectivmenet nots
U
et
L
.
Aussi, suivant lide de (25) on utiliser la dnition suivante
Dnition 1.35 Soit
U
(z) =
2 log(1 z)
log C
(z, z)
1 et
L
(z) =
2 log(1 z)
log C(z, z)
1
Alors
U
= (1 + lim
z0
U
(z))/2 et
L
= (1 + lim
z0
L
(z))/2 sont appels
indices de queue suprieure et infrieure, respectivement.
Exemple 1.35 Si (X
1
, X
2
) a une copule de Gumbel, et des marges Frchet de
paramtre 1,
P(X x, Y y) = exp((x
+y
)
1/
), o 0,
alors
U
= 1 alors que
L
= 1/2
. On peut montrer que dans le cas dune

copule de Clayton,
U
= 1/2 et
L
= 1. Dans le cas dune copule Gaussienne de
corrlation r
U
=
L
= (1 +r)/2.
Gaussian copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
L and R concentration functions
L function (lower tails) R function (upper tails)
GAUSSIAN
q
q
Student t copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
STUDENT (df=3)
q
q
Clayton copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
CLAYTON
q
q
Gumbel copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
GUMBEL
q
q
Figure 1.11 Fonctions cumulative L (sur [0, 1/2]) et R (sur [1/2, 1] avec dans
la partie suprieure, le cas Gaussien et le cas Student t droite, et dans la partie
infrieure le cas Clayton et Gumbel.
1.5.5 Quantier la dpendance en dimension d > 2
En dimension d > 2, le cas Gaussien nous invite tudier la dpendance par
paires, en regarder des matrices de mesures de dpendance. On posera ainsi
R = [r(X
i
, X
j
)], pour i, j = 1, , d.
54 Chapitre 1
Gaussian copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
Chi dependence functions
lower tails upper tails
GAUSSIAN
q
q
Student t copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
STUDENT (df=3)
q
q
Clayton copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
CLAYTON
q
q
Gumbel copula
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
0.0 0.2 0.4 0.6 0.8 1.0
0
.0
0
.2
0
.4
0
.6
0
.8
1
.0
GUMBEL
q
q
Figure 1.12 Fonctions cumulative
L
(sur [0, 1/2]) et
U
(sur [1/2, 1] avec
dans la partie suprieure, le cas Gaussien et le cas Student t droite, et dans
la partie infrieure le cas Clayton et Gumbel.
Nous avions not que les mesures de dpendance naturelles pouvaient par-
fois de voir comme des distances entre la copule sous-jacente C et la copule
indpendante C
, normalis de manire avoir 1 dans le cas comonotone. En

particulier,
(X
1
, X
2
) =
_
[0,1][0,1]
C(u
1
, u
2
) C
(u
1
, u
2
)dudv
_
[0,1][0,1]
C
+
(u
1
, u
2
) C
(u
1
, u
2
)dudv
(1.20)
En suivant les ides de (95) ou (? ), il est possible dtendre cette dnition
en dimension d > 2,
(X) =
_
[0,1]
d
C(u) C
(u)du
_
[0,1][0,1]
C
+
(u) C
(u)du
=
d + 1
2
d
(d + 1)
_
2
d
_
[0,1]
d
C(u)du 1
_
(1.21)
pour le de Spearman, et pour le de Kendall
(X) ==
1
2
d1
1)
_
2
d
_
[0,1]
d
C(u)dCu 1
_
(1.22)
On se doute toutefois que la borne infrieure ne devrait pas tre 1 (C
ntait plus une copule en dimension d > 2, mais on peut montrer que

1
(2
d1
1
et
2
d
(d + 1)!
d!(2
d
(d + 1))
.
Exemple 1.36 En dimension 3, le de Kendall est la moyenne des de Kendall
par paires,
(X
1
, X
2
, X
3
) =
1
3
((X
1
, X
2
) +(X
1
, X
3
) +(X
2
, X
3
)).
On peut galement dnir un q de Blomqvist multivari,
q =
2
d1
2
d1
1
_
C
_
1
2
, ,
1
2
_
+C
_
1
2
, ,
1
2
_
2
1d
_
Exemple 1.37 Dans le cas des copules Archimdiennes, de gnrateur , no-
tons que
q =
2
d1
2
d1
1
_
1
_
d
_
1
2
_
+
d
i=1
(1)
i
_
d
i
_
1
_
i
_
1
2
__
2
1d
_
1.6 De laggrgation des risques multiples

De manire gnrale, une fonction dagrgation est une fonction h : R
d
R.
Remarque 1.21 Nous allons considrer des fonctions plus gnrales que celles
tudies dans (4), par exemple. Dans cette littrature, une fonction daggrga-
tion est une fonction h : R
d
R telle que
h(0) = h(0, , 0) = 0,
h(1) = h(1, , 1) = 1,
si x y au sens x
i
y
i
pour tout i, h(x) hy.
On note que sous cette forme, les fonctions daggrgation sont proches des semi-
copules introduites dans la section 1.3.
Si lon spcie les lois marginales et la copule, on peut enn dduire la loi de
S = h(X
1
, , X
d
).
Exemple 1.38 En nance, les options multisupports sont des exemples clas-
siques o lon a besoin dagrger des risques. Rappelons que le prix dun call
europen est de la forme (T, K) = e
rT
E
Q
((S
T
K)
+
), o (S
t
) est le prix du
sous-jacent, et que lon considre une option de maturit T, et de strike K. Q est
une probabilit risque neutre (nous supposerons ici quelle existe, et quelle est
unique). En fait, (17) ont montr comment extraire la probabilit risque neutre
des prix des options. Notons que (S
T
K)
+
=
_
K
1(S
T
> x)dx, et donc
(T, K) = e
rT
_

K
Q(S
T
> x)dx,
56 Chapitre 1
ce qui donne
Q(S
T
x) = e
rT

K
(T, x).
Considrons une option sur deux actifs, dont le payo serait bass sur le maxi-
mum des prix atteints la date T, h(S
1
T
, S
2
T
) = (maxS
1
T
, S
2
T
K)
+
. Le prix
du call orant ce payo est
(T, K) = e
rT
E
Q
((maxS
1
T
, S
2
T
K)
+
)
= e
rT
E
Q
__

K
1 1(maxS
1
T
, S
2
T
x)dx
_
= e
rT
_

K
1 Q(maxS
1
T
, S
2
T
x)
. .
Q(S
1
T
x,S
2
T
x)
dx,
aussi, si (S
1
T
, S
2
T
) a pour copule C (sous la probabilit Q), alors
(T, K) = e
rT
_

K
1 C
_
e
rT
P
1
K
(T, x), e
rT
P
2
K
(T, x)
_
dx.
Si le payo tait h(S
1
T
, S
2
T
) = ([S
1
T
S
2
T
] K)
+
, le prix dun tel call serait
C(T, K) = e
rT
E
Q
((S
1
T
S
2
T
K)
+
) = e
rT
E
Q
__

1(S
2
T
+K x S
1
T
)dx
_
= e
rT
_

Q(K +S
2
T
x) Q(S
2
T
+K x, S
1
T
x x)
. .
Q(S
1
T
x,S
2
T
x+K)
dx,
et l encore, si (S
1
T
, S
2
T
) a pour copule C (sous Q), on peut crire
C(T, K) = e
rT
_

e
rT
P
2
K
(T, xK)C
_
e
rT
P
1
K
(T, x), e
rT
P
2
K(T, x K)
_
dx.
Par la suite, nous supposerons que nous ne connaissons que les lois margi-
nales, i.e. X T(F
1
, , F
d
), mais nous essayons de savoir ce que cela sigie
pour h(X).
Remarque 1.22 (94) avait appel ltude des valeurs possibles de g(X
1
, X
2
) de
larithmtique probabiliste, en reliant les lois de S = g(X
1
, X
2
) aux lois de X
1
et
X
2
. En particulier, lobtenions de bornes pour la loi (la fonction de rpartition)
de g(X
1
, X
2
) y est dtaill, pour des fonctions g particulires, comme la somme
+, le minimum ou le maximum .
1.6.1 Esprance de fonctions nonlinaires
Rappelons tout dabord que, peut importe la structure de dpendance entre
X
1
et X
2
, deux variables desprance nie, par linarit de lesprance,
E(h(X
1
, X
2
)) = h(X
1
, X
2
) si h est linaire.
De manire gnrale, on a le rsultat suivant
Proposition 1.11 Soit h : R
2
R une fonction 2-croissante, i.e.
h(x
2
, y
2
) +h(x
1
, y
1
) h(x
1
, y
2
) h(y
1
, x
2
) 0,
pour tout x
1
y
1
et x
2
y
2
. Alors pour tout (X
1
, X
2
) T(F
1
, F
2
),
E
_
h(X
1
, X
2
)
_
E(h(X
1
, X
2
)) E
_
h(X
+
1
, X
+
2
)
_
,
Preuve 1.5 (89)
Cette proposition peut se gnraliser en dimension plus grand, mais la notion
de croissance nest alors plus la d-croissance, mais la supermodularit,
Proposition 1.12 Soit : R
d
R une fonction supermodulaire, i.e.
(maxx
1
, y
1
, , maxx
d
, y
d
)+(minx
1
, y
1
, minx
d
, y
d
)(x
1
, , x
d
)(y
1
, , y
d
) 0,
pour tout x = (x
1
, , x
d
) et y = (y
1
, , y
d
). Alors pour tout X = (X
1
, , X
d
)
T(F
1
, , F
d
),
E
_
(X
1
, , X
d
)
_
E((X
1
, , X
d
)) E
_
(X
+
1
, , X
+
d
)
_
.
Remarque 1.23 Si est susement drivable, la d croissance est quivalente

d
/x
1
x
d
positive partout, alors que la supermodularit est quivalente

d
/x
i
x
j
positive pour tout i ,= j.
Exemple 1.39 Le prime (pure) stop-loss dun trait de rassurance scrit
comme lesprance dune fonction supermodulaire ds lors que lon somme des
risques :(x
1
, , x
d
) = (x
1
+ +x
d
k)
+
est une fonction supermodulaire.
Exemple 1.40 Pour une assurance vie jointe sur n annes, lannuit scrit
a
xy:n
=
n
k=1
v
k
P(T
x
> k and T
y
> k) =
n
k=1
v
k
k
p
xy
,
o v est le facteur dactualisation, et (T
x
, T
y
) les dures de vie rsiduelles des
deux assurs. Alors
a
xy:n
a
xy:n
a
+
xy:n
,
58 Chapitre 1
o
a
xy:n
=
n
k=1
v
k
max
k
p
x
+
k
p
y
1, 0( cas anticomonotone ),
a
+
xy:n
=
n
k=1
v
k
min
k
p
x
,
k
p
y
( cas comonotone ).
Exemple 1.41 Dans le cas dune assurance au dernier survivant, sur n annes,
lannuit scrit
a
xy:n
=
n
k=1
v
k
P(T
x
> k or T
y
> k) =
n
k=1
v
k
k
p
xy
,
o
k
p
xy
= P(T
x
> k or T
y
> k) =
k
p
x
+
k
p
y

k
p
xy
. Alors
a
xy:n
a
xy:n
a
+
xy:n
,
o
a
xy:n
=
n
k=1
v
k
(1 min
k
q
x
,
k
q
y
) ( cas comonotone ),
a
+
xy:n
=
n
k=1
v
k
(1 max
k
q
x
+
k
q
y
1, 0) ( cas anticomonotone ).
Exemple 1.42 Lannuit dune pension de veuvage scrit

a
x|y
= a
y
a
xy
=
k=1
v
k
k
p
y

k=1
v
k
k
p
xy
.
Aussi,
a
x|y
a
x|y
a
+
x|y
,
o
a
x|y
= a
y
a
xy
=
k=1
v
k
k
p
y

k=1
v
k
min
k
p
x
,
k
p
y
.( cas comonotone ),
a
+
x|y
= a
y
a
xy
=
k=1
v
k
k
p
y
k=1
v
k
max
k
p
x
+
k
p
y
1, 0.( cas anticomonotone ).
Remarque 1.24 Notons que ces ordres permettent de construire des notions
de dpendance positive, au sens o, pour un ordre donn _
R
d, on dira que X
est dpendance positive si X
_
R
d X.
Sur limportance de la comonotonie comme majorant de certaines quantits
en actuariat, on pourra consulter (33), (32) et (91).
1.6.2 Comparer des sommes de risques
Dans un certain nombre de cas, sil existe _
R
d tel que X _
R
d Y , alors, il
existe _
R
tel que
X
1
+ +X
d
_
R
Y
1
+ +Y
d
.
Proposition 1.13 Soient X = (X
1
, X
2
), Y = (Y
1
, Y
2
) T(F
1
, F
2
).
si X _
corr
Y , alors X
1
+X
2

CX
Y
1
+Y
2
.
si X _
corr
Y , alors pour toute fonction h : R
2
R 2-croissante, h(X
1
, X
2
)
ICX
h(Y
1
, Y
2
)
En dimension plus grande,
Proposition 1.14 Soient X = (X
1
, , X
d
), Y = (Y
1
, , Y
d
) T(F
1
, , F
d
)).
Si X _
SM
Y , alors pour toute fonction h : R
d
R supermodulaire, h(X
1
, , X
d
)
ICX
h(Y
1
, , Y
d
). En particulier, (g
1
(X
1
)+ +g
d
(X
d
))
CX
(g
1
(Y
1
)+ +g
d
(Y
d
))
pour toutes fonctions g
i
: R R croissante.
1.6.3 Mesures de risques pour la somme de risques
En dimension d = 2, si des versions comonotones et anticomontones per-
mettent dobtenir des bornes certains quantits, cela nest en gnral pas le
cas pour une mesure de risque quelconque, , i.e.
(X
1
+X
2
),(X
1
+X
2
),(X
+
1
+X
+
2
)
+
,
o la borne suprieure
+
peut excder le cas comonotone, par exemple.
Dans le cas o dsigne la Value-at-Risk pour un seuil q ]0, 1[, rappelons
que
(X
1
+X
2
) = VaR
q
[X
1
+X
2
] = F
1
X1+X2
(q) = infx R[F
X1+X2
(x) q.
Exemple 1.43 Si X
1
c() et Y
1
c(),
P(X
2
> x
1
) = exp(x
1
/), P(X
2
> x
2
) = exp(x
2
/) pour tout x
1
, x
2
R
+
.
Les ingalits
exp(x/ max, ) Pr[X
1
+X
2
> x] exp((x )
+
/( +))
sont alors valides pour tout x R
+
, quelle que soit la dpendance entre X
1
et
X
2
, o
= ( +) log( +) log log .
De plus, on a
max, log(1 q) VaR
q
[X
1
+X
2
] ( +) log(1 q)
pour tout niveau q (0, 1).
Si = = 1, rappelons que sous hypothse dindpendance X
1
+ X
2

((2, 1) alors que sous hypothse de comonotonie, X
1
+X
2
c(2).
60 Chapitre 1
Exemple 1.44 De manire gnrale, quelles que soient les lois F
1
et F
2
, il est
possible (au moins numriquement) de calculer les bornes infrieures et sup-
rieures. La Figure 1.13 montre la Value-at-Risk pour la somme de deux risques
Gaussien, alors que la Figure 1.14 montre la Value-at-Risk pour la somme de
deux risques suivant des lois Gamma.
0.0 0.2 0.4 0.6 0.8 1.0
!
4
!
2
0
2
4
Bornes de la VaR dun portefeuille
Somme de 2 risques Gaussiens
0.90 0.92 0.94 0.96 0.98 1.00
0
1
2
3
4
5
6
Somme de 2 risques Gaussiens
Figure 1.13 Value-at-Risk pour la somme de 2 variables gaussiennes ^(0, 1),
avec le cas indpendant en pointill, et le cas comontone en trait plein. Les
courbes en bas et en haut tant les bornes infrieures et suprieures. Le gra-
phique de droite correspond un agrandissement pour les quantiles excdant le
niveau 90%.
Dans un cadre gnral, et plus thorique, (84) tudiait les bornes possibles
pour la Value-at-Risk (ou plutt la loi jointe) de h(X
1
, X
2
) o h : R
2
R
et (X
1
, X
2
) T(F
1
, F
2
), introduisant le concept de convolutions supremal et
inmal,
F
sup
(F
1
, F
2
) (z) = supC (F
1
(x
1
) , F
2
(x
2
)) , (x
1
, x
2
) = z (1.23)
F
inf
(F
1
, F
2
) (z) = inf C (F
1
(x
1
) , F
2
(x
2
)) , (x
1
, x
2
) = z (1.24)
(94) a propos des algorithmes numriques pour calculer ces bornes. Dans le
cas de la somme, lide est de noter que la distribution des bornes correspond
la distribution de S
min
and S
max
, o
P(S
max
< s) = sup
xR
maxP(X
1
< x) +P(X
2
< s x) 1, 0
et
P(S
min
s) = inf
xR
minP(X
1
x) +P(X
2
s x), 1.
On obtient alors le rsultat suivant
0.0 0.2 0.4 0.6 0.8 1.0
0
5
1
0
1
5
2
0
Somme de 2 risques Gamma
0.90 0.92 0.94 0.96 0.98 1.00
0
5
1
0
1
5
2
0
Somme de 2 risques Gamma
Figure 1.14 Value-at-Risk pour la somme de 2 variables gaussiennes ((3, 1),
avec le cas indpendant en pointill, et le cas comontone en trait plein. Les
courbes en bas et en haut tant les bornes infrieures et suprieures. Le gra-
phique de droite correspond un agrandissement pour les quantiles excdant le
niveau 90%.
Proposition 1.15 Soit X = (X
1
, X
2
) T(F
1
, F
2
) alors pour tout s R,
C
(F
1
, F
2
)(s) P(X
1
+X
2
s)
C
(F
1
, F
2
)(s),
o
C
(F
1
, F
2
)(s) = sup
x1,x2R
C(F
1
(x
1
), F
2
(x
2
)), x
1
+x
2
= s
et si

C(u
1
, u
2
) = u
1
+u
2
C(u
1
, u
2
),
C
(F
1
, F
2
)(s) = inf
x1,x2R
C(F
1
(x
1
), F
2
(x
2
)), x
1
+x
2
= s.
Ces bornes, obtenues en dimension d = 2 peuvent tre tendues en dimension
suprieures, mais elles ne sont pas ncessairement atteintes,
VaR(X
1
+... +X
d
, ) G
1
()
o G(s) = sup
(x1,...,x
d1
)
C
(F
1
(x
1
) +... +F
d1
(x
d1
) +F
d
(s x
1
... x
d1
).
Remarque 1.25 (37) on suggr daborder le problme comme un programme
doptimiation, sous contrainte, et la rsolution du programme dual donne
VaR(X
1
+... +X
d
, ) H
1
()
o H(s) = 1 d inf
r[0,s/d)
1
s rd
_
s(d1)r
r
[1 F(x)]dx, dans le cas particulier
o les variables X
1
, ..., X
d
ont la mme loi (note F).
62 Chapitre 1
Dans le cas de trois risques lognormaux, (37) obtient les bornes de la Figure
1.3, e dans le contexte du risque oprationnel, en dimension d = 8, (69) obtenait
les rsultats de la Figure 1.4. Pour rappel, les accords de Ble II pour les banques
suggre de retenir la somme des Value-at-Risk, ce qui revient certes supposer
les risques comonotones, mais ne constitue pas vraiment un montant prudent.
indpendance comonotonie dual standard

bound bound
0.90 7.54 8.85 14.44 15.38
0.95 9.71 12.73 19.50 20.63
0.99 16.06 25.16 35.31 37.03
0.999 29.78 53.99 69.98 73.81
Table 1.3 Borne suprieure de VaR(X
1
+X
2
+X
3
) pour des sommes de variables
LN(0.2, 1)
comonotonie dual standard
(Ble II)
99% 2.8924 10
4
1.4778 10
5
2.6950 10
5
99.5% 6.7034 10
4
3.3922 10
5
6.1114 10
5
99.9% 4.8347 10
5
2.3807 10
6
4.1685 10
6
99.99% 8.7476 10
6
4.0740 10
7
6.7936 10
7
Table 1.4 Borne suprieure de VaR(X
1
+... +X
8
) pour du risque oprationnel.
1.7 Infrence statistique
1.7.1 Mthodes paramtriques
Considrons un vecteur alatoire X, absolument continu, telle que la densit
jointe scrive
f(x
1
, , x
d
) = c(F
1
(x
1
), , F
d
(x
d
)))
d
i=1
f
i
(x
i
)
o c : [0, 1]
d
R
+
est la densit de la copule associe X, et o f
i
est la
densit de la variable X
i
.
La log-vraisemblance log L associe un chantillon X
1
, , X
n
i.i.d. scrit
log L
n
=
n
k=1
log c(F
1
(x
k
1
), , F
d
(x
k
d
))) +
d
i=1
n
k=1
log f
i
(x
k
i
)
et peut se dcomposer en deux termes : celui de gauche est associ la structure
de dpendance, et le second aux lois marginales. Notons que le second terme
est le seul qui apparat si lon suppose que les composantes du vecteur X sont
indpendantes.
On supposera que la copule C appartient une famillee paramtrique ( =
C
, et que les lois marginales sont galement dans des familles para-
mtriques, F
i
T
i
= F
i
,
i
A
i
.
Sous les conditions usuelles de rgularits, lestimateur du maximum de vrai-
semblance (
, ), solution de
(
, ) = argmaxlog L
n
(, )
est consistant et asymptotiquement Gaussien, au sens o
n
_
(
, ) (, )
_
L
^ (0, )
o
=
_
lim
n
2
log L
n
(, )(, )
(,)
_
1
1.7.2 Mthodes semi-paramtriques
Ici, seule la copule est paramtrique, et lon utilise les fonction de rparti-
tion empiriques des lois marginales pour estimer le paramtre de la copule. En
loccurence,
= argmin
_
n
k=1
log c(
F
1
(x
k
1
), ,

F
d
(x
k
d
)))
_
1.7.3 Mthodes nonparamtriques destimation de copule
(20) a propos un survey sur lestimation nonparamtrique de densits de
copules, en insistant sur lestimation noyau. Mais lestimation a noyau tant
biais (multiplicativement) sur les bords, il peut tre intressant de sadapter
pour obtenir un estimateur sans biais partout sur [0, 1]
d
. Par la suite, on se
limitera au cas d = 2 pour la simplicit de lexpos. On suppose disposer dob-
servations (U
1,i
, U
2,i
), i.i.d., distribues suivant C, de densit c.
Une premire piste est de transformer les variables, en considrant (X
1,i
, X
2,i
) =
(G
1
(U
1,i
), G
1
(U
2,i
)), o G est une fonction strictement croissante R [0, 1],
tel que le couple (X, Y ) admette une densit. Pour tout (x
1
, x
2
) R
2
, posons
f(x
1
, x
2
) =
1
nh
2
n
i=1
K
_
x
1
X
1,i
h
_
K
_
x
2
X
2,i
h
_
.
Or comm
f(x
1
, x
2
) = g(x
1
)g(x
2
)c[G(x
1
), G(x
2
)]. (1.25)
64 Chapitre 1
on peut rcrire
c(u
1
, u
2
) =
f(G
1
(u
1
), G
1
(u
2
))
g(G
1
(u
1
))g(G
1
(u
2
))
, pour (u
1
, u
2
) [0, 1] [0, 1], (1.26)
ce qui donne, en subsituant

f dans (1.26), on onbtient
c(u
1
, u
2
) =
1
nh g(G
1
(u
1
)) g(G
1
(u
2
))
n
i=1
K
_
G
1
(u
1
) G
1
(U
1,i
)
h
,
G
1
(u
2
) G
1
(U
2,i
)
h
_
0.2 0.4 0.6 0.8
0.2
0.4
0.6
0.8
0
1
2
3
4
5
Estimation of Frank copula
0.2 0.4 0.6 0.8
0
.
2
0
.
4
0
.
6
0
.
8
Figure 1.15 Estimation dune densit de copule de Frank, partir de n =
250 simulation dune copule de Frank, laide dune tranformation Gaussienne
(G = ), et un noyau Gaussien bivari.
Un autre estimateur classique est lestimateur par noyau Beta de la densit
de la copule au point (u
1
, u
2
), est obtenu laide de produits de noyaux Beta,
c(u
1
, u
2
) =
1
n
n
i=1
K
_
X
i
,
u
1
b
+ 1,
1 u
1
b
+ 1
_
K
_
Y
i
,
u
2
b
+ 1,
1 u
2
b
+ 1
_
,
o K(, , ) est la densit de la loi Beta de paramtres et .
Dans le cas Archimdien, nous avions not dans la Remarque 1.13 quon
pouvait caractriser une copule Archimdienne laide de la fonction de Kendall
K. Lestimateur nonparamtrique simple de cette fonction est
K(t) =
1
n
n
i=1
1(Z
i
t)
o
Z
i
=
1
n 1
j=i
1(X
1,j
< X
1,i
, X
2,j
< X
2,i
).
Beta (independent) bivariate kernel , x=0.0, y=0.0 Beta (independent) bivariate kernel , x=0.2, y=0.0 Beta (independent) bivariate kernel , x=0.5, y=0.0
Figure 1.16 Forme des noyaux Beta K(, x/b + 1, (1 x)/b + 1) K(, y/b +
1, (1 y)/b + 1) pour b = 0.2, et direntes valeurs de x et y.
Lestimateur du gnrateur associ est alors
(t) = exp
_
_
t
t0
ds
s

K(s)
_
.
1.7.4 Tests dajustement
Supposons que lon cherche tester C (, o ( est une famille de copules
(lhypothse alternative tant C / (. Dans le cas univari, on pense au test
dAnderson-Darling, ou lapproche graphique du QQ-plot. Mais en dimension
suprieure, cest plus compliqu.
Si la famille ( est une famille paramtrique, (39) ou (47) ont suggr dutiliser
le test de Cramr-von Mises, avec comme statistique
T = n
_
[0,1]
d
_
C(u) C
(u)
_
2
d
C(u),
o

C() est la copule empirique, i.e.
C(
1
, , u
d
) =
1
n + 1
n
i=1
1(U
i
1
u
1
, , U
i
d
u
d
).
66 Chapitre 1
0.2 0.4 0.6 0.8
0.2
0.4
0.6
0.8
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Estimation of the copula density (Beta kernel, b=0.1) Estimation of the copula density (Beta kernel, b=0.1)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Figure 1.17 Estimation de la densit de copule par noyaux Beta, b = 0.1
(simulation suivant une copule de Frank).
0.2 0.4 0.6 0.8
0.2
0.4
0.6
0.8
0.0
0.5
1.0
1.5
2.0
2.5
3.0
Estimation of the copula density (Beta kernel, b=0.05) Estimation of the copula density (Beta kernel, b=0.05)
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Figure 1.18 Estimation de la densit de copule par noyaux Beta, b = 0.05
Une approche un peu plus simple est dutiliser la fonction de Kendall K(t) =
P(C(U) t). Si on suppose que cette fonction appartient une famille para-
mtrique, alors la statistique prcdante peut scrire
T = n
_
[0,1]
_
K(t) K
(t)
_
2
dK
(t),
comme suggr par (46).
Une autre ide peut tre de revenir la transformation de (80). Supposons
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
Standard Gaussian kernel estimator, n=100
Estimation of the density on the diagonal
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
Figure 1.19 Estimation de la densit sur la diagonale, par noyaux Gaussiens.
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
Transformed kernel estimator (Gaussian), n=100
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
Figure 1.20 Estimation de la densit sur la diagonale, transformation puis
transformation inverse.
que U ait pour copule C, alors V dni par
_
_
V
1
= U
1
V
2
= C
2|1
(U
2
[U
1
)
V
3
= C
3|2,1
(U
3
[U
2
, U
1
)

V
d
= C
d|d1, ,2,1
(U
d
[U
d1
, , U
2
, U
1
)
est un vecteur dont la loi est C
(on utilise ici la mthode de simulation voque

dans la section ??, lenvers). Il sut alors de faire des tests dindpendance.
Toutefois, il convient de faire plusieurs tests, en testant toutes les permutations
possibles dindices.
(18) a adapt le test prsent auparavant dans ce cas, laide de la statistique
de Cramr-von Mises,
T = n
_
[0,1]
d
_
C(v) C
(v)
_
2
d
C(v),
o

C est ici la copule empirique associe V .
Pour certaines familles de lois, il existe des tests spciques (en particulier
68 Chapitre 1
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
Beta kernel estimator, b=0.05, n=100
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
0.0 0.2 0.4 0.6 0.8 1.0
0
1
2
3
4
D
e
n
s
ity
o
f th
e
e
s
tim
a
to
r
Figure 1.21 Estimation de la densit sur la diagonale, par noyaux Beta.
des tests de normalit multivaris peuvent tre utiliss pour tester lajustement
dune copule Gaussienne).
Bibliographie
[1] Charpentier A. and Segers J. Tails of multivariate archimedean copulas.
Journal of Multivariate Analysis, 100(7) :1521 1537, 2009.
[2] J. Aczl. Lectures on functional equations and their applications. Academic
Press, 1966.
[3] J Aczl. Lectures on functional equations and their applications. Academic
Press, 1966.
[4] C. Alsina, M. J. Frank, and B. Schweizer. Associative Functions : Trian-
gular Norms And Copulas. World Scientic Publishing Company, 2006.
[5] C. Alsina and B. Schweizer. Mixtures are not derivable. Foundations of
Physics Letters, 1 :171174, 1988.
[6] Nelsen R.B. Alsina, C. and B. Schweizer. On the characteristic function
of a class of binary operations on distribution functions. Statistic and
Probability Letters, 7 :8589, 1993.
[7] F. Anscombe. Computing in statistical science through APL. Springer
Verlag, 1981.
[8] de Finetti B. La prvision : ses lois logiques, ses sources subjectives. Annales
de lInstitut Henri Poincarr, 7 :168, 1937.
[9] R.E. Barlow and F. Spizzichino. Schur-concave survival functions and survi-
val analysis. Journal of Computational and Applied Mathematics, 46 :437
447, 1993.
[10] B. Bassan and F. Spizzichino. Stochastic comparison for residual lifetimes
and Bayesian notions of multivariate aging. Advances in Applied Probabi-
lity, 31 :10781094, 1993.
[11] Bruno Bassan and Fabio Spizzichino. Relations among univariate aging,
bivariate aging and dependence for exchangeable lifetimes. Journal of Mul-
tivariate Analysis, 93(2) :313 339, 2005.
[12] N. Buerle and A. Mller. Modelling and comparing dependencies in mul-
tivariate risk portfolios. Astin Bulletin, 28 :5976, 1998.
69
70 Chapitre 1
[13] T. Bayes. An essay towards solving a problem in the doctrine of chances.
Philosophical Transactions of the Royal Society of London, 54, 1763.
[14] N. Blomqvist. On a measure of dependence between two random variables.
The Annals of Mathematical Statistics, 21 :593600, 1950.
[15] G. Boole. The Laws of Thought. Dover, New York, 1954.
[16] N.L. Bowers, H.U. Gerber, J.C. Hickman, D.A. Jones, and C.J. Nesbitt.
Actuarial mathematics. The Society of Actuaries, 1997.
[17] D.T. Breeden and R.H. Litzenberger. Prices of State-Contingent Claims
Implicit in Option Prices. The Journal of Business, 51 :621651, 1978.
[18] Genest C., Rmillard B., and Beaudoin D. Goodness-of-t tests for copulas :
A review and a power study. Insurance : Mathematics and Economics,
44 :199213, 2009.
[19] A. Charpentier. Dynamic dependence ordering for archimedean copulas
and distorted copulas. Kybernetika, 44 :777794, 2008.
[20] A. Charpentier, J.-D. Fermanian, and O. Scaillet. The Estimation of Co-
pulas : Theory and Practice. In J. Rank, editor, Copulas : From theory to
application in nance, pages 3562. Risk Books, 2007.
[21] A. Charpentier and J. Segers. Lower tail dependence for archimedean co-
pulas : Characterizations and pitfalls. Insurance : Mathematics and Eco-
nomics, 40(3) :525 532, 2007.
[22] Arthur Charpentier and Johan Segers. Convergence of archimedean copu-
las. Statistics & Probability Letters, 78(4) :412 419, 2008.
[23] Y.S. Chow and H Teicher. Probability theory : independence, interchangea-
bility, martingales. Springer Verlag, 1997.
[24] D. G. Clayton. A model for association in bivariate life tables and its
application in epidemiological studies of familial tendency in chronic disease
incidence. Biometrika, 65(1) :141151, 1978.
[25] J. Coles, S. Heernan and J.A. Tawn. Dependence measures for multiva-
riate extremes. Extremes, 2 :339365, 1999.
[26] R.D. Cook and M.E. Johnson. A family of distributions for modelling non-
elliptically symmetric multivariate data. Journal of the Royal Statistical
Society. Series B (Methodological), 43(43) :210218, 1981.
[27] KMV Corporation. Modelling default risk. KMV Corporation Technical
document, 1997.
[28] Duchesne T. Cossette, H. and E. Marceau. Modeling catastrophes and their
impact on insurance portfolios. North American Actuarial Journal, 7 :122,
2003.
BIBLIOGRAPHIE 71
[29] C. M. Cuadras and J. Aug. A continuous general multivariate distribu-
tion and its properties. Communications in Statistics-Theory and Methods,
10(4) :339353, 1981.
[30] H.A. David and M.L. Moeschberger. Theory of Competing Risks. Grins
Statistical Monographs, 1978.
[31] P. Deheuvels. La fonction de dpendance empirique et ses proprits .
Acadmie Royale de Belgique (Bulletin de la Classe des Sciences), 65 :274
292, 1940.
[32] J. Dhaene, M. Denuit, M.J. Goovaerts, R. Kaas, and D. Vyncke. The
concept of comonotonicity in actuarial science and nance : applictions.
Insurance : Mathematics and Economics, 31 :133161, 2002.
[33] J. Dhaene, M. Denuit, M.J. Goovaerts, R. Kaas, and D. Vyncke. The
concept of comonotonicity in actuarial science and nance : theory. Insu-
rance : Mathematics and Economics, 31 :333, 2002.
[34] D. Drouet-Mari and S. Kotz. Correlation and dependence. World Scientic
Publishing Company Inc., 2001.
[35] Fabrizio Durante, Jos Quesada-Molina, and Carlo Sempi. A generalization
of the archimedean class of bivariate copulas. Annals of the Institute of
Statistical Mathematics, 59 :487498, 2007. 10.1007/s10463-006-0061-9.
[36] P. Embrechts, A. J. McNeil, and D. Straumann. Correlation and Depen-
dence in Risk Management : Properties and Pitfalls. In M. Dempster,
editor, Risk Management : Value at Risk and Beyond, pages 176223. Cam-
bridge University Press, 2002.
[37] P. Embrechts and G. Puccetti. Bounds for the sum of dependent risks
having overlapping marginals. Journal of Multivariate Analysis, 101 :177
190, 2009.
[38] K.-T. Fang, S. Kotz, and K.-W. Ng. Symmetric Multivariate and Related
Distributions. Chapman & Hall/CRC, 1989.
[39] J.-D. Fermanian. Goodness of t tests for copulas. Journal of Multivariate
Analysis, 95(1) :119152, 2005.
[40] N. I. Fisher. Copulas. Encyclopedia of Statistical Sciences, 1 :159163,
1997.
[41] M. J. Frank. On the simultaneous associativity of F(x, y) and x+yF(x, y).
Aequationes Mathematicae, 19 :194226, 1979.
[42] M. Frchet. Remarques au sujet de la note prcdante. Comptes Rendus
de lAcadmie des Sciences de Paris, 249 :27192720, 1958.
72 Chapitre 1
[43] W.E. Frees, J. Carriere, and E.A Valdez. Annuity valuation with dependent
mortality. The Journal of Risk and Insurance, 63 :229261, 1996.
[44] C. Genest and R. J. MacKay. Copules archimdiennes et familles de lois
bidimensionnelles dont les marges sont donnes. The Canadian Journal of
Statistics, 14 :145159, 1986.
[45] C. Genest, J. J. Quesada Molina, and J. A. Rodrguez Lallena. De lim-
possibilit de construire des lois marges multidimensionnelles donnes
partir de copules. Comptes rendus de lAcadmie des sciences de Paris,
320 :723726, 1995.
[46] C. Genest and L.-P. Rivest. Statistical Inference Procedures for Bivariate
Archimedean Copulas. Journal of the American Statistical Association,
88(423) :10341043, 1993.
[47] C. Genest and B. Rmillard. Validity of the parametric bootstrap for
goodness-of-t testing in semiparametric models. Annales de lInstitut
Henri Poincar : Probabilits et statistiques, 44 :10961127, 2008.
[48] CreditMetrics Group. Creditmetrics technical document. JP Morgan, 1997.
[49] E. J. Gumbel. Bivariate exponential distributions. Journal of the American
Statistical Association, 55 :698707, 1960.
[50] R.A. Harris. Reliability applications of a bivariate exponential distribution.
Operations Research, 16 :1627, 1970.
[51] W. Hoeding. Masstabinvariante Korrelationstheorie. Schriften des Mate-
matischen Instituts und des Instituts fr Angewandte Matematik de Uni-
versitt Berlin, 5 :179233, 1940.
[52] P. Hougaard. Survival models for heterogeneous populations derived from
stable distributions. Biometrika, 73(2) :387396, 1986.
[53] Olkin Ingram and W. Marshall Albert. Inequalities : Theory of Majoriza-
tion and Its Applications. Academic Press, New York, 1979.
[54] H. Joe. Families of min-stable multivariate exponential and multivariate
extreme value distributions. Statistical and Probability Letters, 9 :7581,
1990.
[55] H. Joe. Multivariate Models and Dependence Concepts. Chapman &
Hall/CRC, 1997.
[56] G. Kimeldorf and A. Sampson. One-parameter families of bivariate distri-
butions with xed marginals. Communications in Statististics, 4 :293301,
1975.
[57] E.P. Klement, R. Mesiar, and E. Pap. Transformations of copulas. Kyber-
netika, 41 :425434, 2005.
BIBLIOGRAPHIE 73
[58] H.O Lancaster. The structure of bivariate distributions. Annals of Mathe-
matical Statistics, 29 :719736, 1958.
[59] P.-S. Laplace. Thorie Analytique des Probabilits. Paris, Ve. Courcier,
Paris, 1812.
[60] A.W. Ledford and J.A. Tawn. Statistics for Near Independence in Multi-
variate Extreme Values. Biometrika, 83 :169187, 1996.
[61] Cl. Lefvre and S. Utev. Mixed Poisson approximation in the collective
epidemic model. Stochastic Processes and their Applications, 69 :217246,
1997.
[62] D.X. Li. On default correlation : a copula function approach. RiskMetrics
Group, Working Paper, 1999.
[63] Stphane Loisel. A trivariate non-Gaussian copula having 2-dimensional
Gaussian copulas as margins.
[64] R.W. Madsen. Generalized binomial distribution. Communications in sta-
tistics. Theory and methods, 22 :30653086, 1993.
[65] K. V. Mardia. Mardias test of multinormality. In S. Kotz & N. L. Johnson,
editor, Encyclopedia of statistical sciences (Vol. 5), pages 217221. Wiley,
1985.
[66] A. W. Marshall and I. Olkin. A generalized bivariate exponential distribu-
tion. Journal of Applied Probability, 4 :291302, 1967.
[67] M. Merton. On the pricing of corporate debt : the risk structure of interest
rates. Journal of Finance, 28 :449470, 1974.
[68] Patricia Mariela Morillas. A method to obtain new copulas from a given
one. Metrika, 61 :169184, 2005. 10.1007/s001840400330.
[69] M. Moscadelli. The Modelling of Operational Risk : Experience with
the Analysis of the Data Collected by the Basel Committee. http ://pa-
pers.ssrn.com/sol3/papers.cfm?abstract
i
d = 557214, 2004.
[70] P. Muliere and M. Scarsini. Characterization of Marshall-Olkin type class
of distributions. Annals of the Institute of Statistical Mathematics, 39 :429
441, 1987.
[71] A. Mller and M. Scarsini. Archimedean copulae and positive dependence.
Journal of Multivariate Analysis, 93 :434445, 2004.
[72] R. B. Nelsen. Dependence Modeling with Archimedean Copulas.
http ://www.lclark.edu/ mathsci/brazil2.pdf (2010-03-16), 2005.
[73] R. B. Nelsen. An Introduction to Copulas. Springer, 2007.
74 Chapitre 1
[74] D. Oakes. Bivariate survival models induced by frailties. Journal of the
American Statistical Association, 84,406 :487493, 1989.
[75] J. Pickands. Multivariate extreme value distributions. Preprint, University
of Pennsylvania, 1976.
[76] J. Pickands. Multivariate extreme value distributions. M. Bull. Internat.
Statist. Inst. Proc. 43d. Session (Buenos Aires), pages 859878, 1981.
[77] J. Pickands. Multivariate negative exponential and extreme value distribu-
tions. In J. Hsler and R.D. Reiss, editors, Extreme Value Theory. Springer
Verlag, 1989.
[78] A. Rnyi. On measures of dependence. Acta Mathematica Hungarica,
10 :441451, 1959.
[79] J.P. Romano and A.F. Siegel. Counterexamples in Probability and Statis-
tics. Wadsworht and Brooks, 1996.
[80] M. Rosenblatt. Remarks on a Multivariate Transformation. The Annals of
Mathematical Statistics, 23(3) :470472, 1952.
[81] M. Scarsini. On measures of concordance. Stochastica, 8(3) :201218, 1984.
[82] H. Schlesinger. Decomposing catastrophic risk. Insurance : Mathematics
and Economics, 24 :95101, 1999.
[83] V. Schmitz. Revealing the dependence structure between x(1) and x(n).
Journal of Statistical Planning and Inference, 123(1) :41 47, 2004.
[84] B. Schweizer and A. Sklar. Probabilistic Metric Spaces. North-Holland,
New York, 1983.
[85] B. Schweizer and E. F. Wol. Sur une mesure de dpendance pour les
variables alatoires. Comptes Rendus de lAcadmie des Sciences de Paris,
283 :659661, 1976.
[86] A. Sklar. Fonctions de rpartition n dimensions et leurs marges. Publi-
cations de LInstitut de Statistique de LUniversit de Paris, 8 :229231,
1959.
[87] A. Sklar. Random variables, distribution functions, and copulasa per-
sonal look backward and forward. Distributions with Fixed Marginals and
Related Topics, 28 :114, 1996.
[88] F. Spizzichino. Sujective probability models for lifetimes. Chapman &
Hall/CRC, 2001.
[89] A.H. Tchen.
[90] G. Venter. Tails of copulas. Procedings of the Casualty Actuarial Society,
2002.
BIBLIOGRAPHIE 75
[91] D. Vyncke. Comonotonicity : the perfect dependence, 2003. PhD thesis.
[92] T. Wilde. Creditrisk+, a credit risk management framework. Credit Suisse
First Boston, 1999.
[93] Bao Nguyen William F., Darsow and Olsen Elwood T. Sur les fonctions
absolument monotones. Illinois Journal of Mathematics, 36 :600642, 1992.
[94] R.C. Williamson. Probabilistic arithmetic, 1989. PhD thesis.
[95] E.F. Wol. n-dimensional measures of dependence,. Stochastica, 4 :175
188, 1980.

Copules Charpentier Chapitre

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Copules Charpentier Chapitre

Uploaded by

Copyright:

Available Formats

Chapitre 1

Copules et risques multiples

X suit une loi normale (univarie). Un

), o A est une matrice triangulaire infrieure, dcomposi-

= ). On retrouve une proprit

nen est pas moins une borne

(i.e. Card i, (i) ,= i < ).

= : aussi, X aura une distribution elliptique de paramtres

A et (caractrisant la distribution sphrique sous-jacente).

(0, ) , distribution Student t

(P(X > x), P(Y > y)).

associe la copule C est la copule

qui ntait pas

, o A est une matrice tri-

= , qui permet de gnrer un

(t), et la seconde est uniforme sur [0, 1]. Aussi,

1.4 Les familles usuelles de copules

la copule dnie par

. On dira quil sagit dune version indpendante

est une copule uniquement dans le cas d = 2.

la fonction dnie par

sera appele copule anticomonotone.

est la fonction de rpartition du couple

si et seulement sil exsite strictement crois-

Remarque 1.11 Soit X T(F

est la dcomposition de Cholesky

Exemple 1.17 Soit r (1, +1), et , alors la copule de Student de para-

est la fonction de rpartition de la loi de Student (univariarie) degrs

1 ; la copule associe est la copule de Clayton.

1, o [1, ), avec le cas limite (t) =

1) [1, 0) (0, ) Clayton

[1, ) Genest - Ghoudi

Exemple 1.22 Soit X = (X

COPULES ET RISQUES MULTIPLES 31

1.4.8 Le modle de Gumbel

, avec > 0. On obtient galement une extension de

1.5.1 La corrlation comme mesure standard de dpen-

b qui minimisent E(Y (aX +b))

1.5.2 Kendalls tau and Spearmans rho

. Ce coecient a t introduit sous sa forme empirique par Spearman en

dsigne une norme, et

une constante de normalisation (de manire

. Dans ce cas, les coecients de dpendance de queue

(60) ont propos une approche alternative pour quantier la dpendance

. On peut montrer que dans le cas dune

, normalis de manire avoir 1 dans le cas comonotone. En

1.6 De laggrgation des risques multiples

Exemple 1.42 Lannuit dune pension de veuvage scrit

indpendance comonotonie dual standard

(on utilise ici la mthode de simulation voque

You might also like