Cours de calcul stochastique Master M2 IRFA
|
|
- Ève Guertin
- il y a 8 ans
- Total affichages :
Transcription
1 1 Cours de calcul stochastique Master M2 IRFA Christophe Chorro Septembre 26 $!!!$!!&!!(!!*!!#!!!#$!!#&!!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! #"# Les évetuelles fautes d orthographe, coquilles ou erreurs sot de mo etière resposabilité, merci de me les sigaler. Vous pouvez me cotacter à l adresse christophe.chorro@gmail.com pour toute remarque sur le coteu et l orgaisatio de ce cours.
2 2
3 Table des matières.1 Gééralités Défiitio Notio d idépedace Evéemets Tribu Variables aléatoires Covergece des variables aléatoires Vecteurs gaussies Notio d espérace coditioelle Coditioemet par rapport à u évéemet Coditioemet par rapport à ue variable aléatoire discrète Coditioemet par rapport à ue tribu Coditioemet par rapport à ue variable aléatoire Loi coditioelle Propriétés de l espérace coditioelle Espérace coditioelle et vecteurs gaussies Processus stochastiques Gééralités Filtratios, processus adaptés Processus gaussies Martigales e temps cotiu Théorème de Rado Nikodym Bibliographie Le mouvemet Browie U peu d histoire Défiitio, existece, simulatio Défiitio Existece, costructio, simulatio Propriétes Propriétés de martigale Trasformatios Propriétés trajectorielles
4 4 TABLE DES MATIÈRES Variatio et variatio quadratique Caractère Markovie Le mouvemet browie géométrique Itégrale de Wieer Formule d Itô pour le M.B Applicatios de l itégrale de Wieer L itégrale stochastique, les processus d Itô Itégrale stochastique sur E([, T ] Ω) Défiitio Propriétés Extesio à L 2 prog(ω [, T ]) Processus d Itô Calcul d Itô étedu Equatios différetielles stochastiques (EDS) Le cas du Browie géométrique Le cas gééral Propriété de Markov des solutios Commet simuler ue EDS (u premier pas) Deux résultats importats Théorème de Girsaov Théorème de représetatio des martigales Browiees Applicatios à la fiace (cadre gééral) Petite itroductio U peu d histoire De l itégrale stochastique? Le calcul stochastique : ue ouvelle mai ivisible? Modélisatio d u marché fiacier e temps cotiu Les actifs présets sur le marché Stratégies fiacières Autofiacemet Arbitrages Mesures martigales équivaletes (MME) Les actifs cotigets Pla d attaque et objectifs Modèle de Black et Scholes Le modèle Dyamique de l actif risqué Existece d ue MME
5 TABLE DES MATIÈRES Les stratégies fiacières P admissibles Défiitio P -complétude du marché A.O.A parmi les stratégies P admissibles Uicité de la probabilité risque eutre Proposer u prix, se couvrir Evaluatio et couverture das le cas où h = f(s T ) Formule de Black et Scholes Les Grecques Défiitio Cas où le payoff est le la forme h = f(s T ) Itérêt pratique du et du Γ Black et Scholes e pratique Spécificatio de σ Prix et couverture Calcul du prix, du et du Γ Spledeurs et misères du modèle de Black et Scholes Avatages Limites
6 6 TABLE DES MATIÈRES
7 Rappels de probabilités Ce chapitre e costitue pas u cours élémetaire de probabilité mais cherche à regrouper modestemet certaies otios essetielles qui ous serot idispesables pour la suite. Nous revoyos, par exemple, le lecteur à [1] et [2] pour u exposé bie plus complet. d N, o ote B(R d ) la tribu boréliee sur R d, <, > le produit scalaire aturel sur R d et dx la mesure de Lebesgue sur R d..1 Gééralités.1.1 Défiitio Soit (Ω, A, P ) u espace de probabilité. Défiitio.1.1 Ue variable aléatoire est ue applicatio X : (Ω, A, P ) R d vérifiat E B(R d ), X 1 (E) A. Remarque.1.1 a) Il existe ue tribu aturelle sur Ω redat X mesurable. Cette tribu est otée σ(x) = {X 1 (E); E B(R d )} et est miimale au ses de l iclusio. O peut motrer (exercice) que toute variable aléatoire σ(x) mesurable est de la forme h(x) où h est boréliee. b) La otio de mesurabilité est stable par les opératios élémetaires et par passage à la limite. Lorsque Ω est u espace topologique équipé de sa tribu boréliee, la cotiuité implique la mesurabilité. Défiitio.1.2 Pour A Ω, o ote 1 A la foctio vérifiat 1 A (x) = 1 si x A et 1 A (x) = si x A c. Si A A, 1 A est mesurable et das ce cas σ(a) = {Ω,, A, A c }. Ue variable aléatoire peut trasporter la structure probabiliste : Propositio.1.1 Si X : (Ω, A, P ) R d est ue variable aléatoire, l applicatio P X : B(R d ) R + défiie, E B(R d ), par P X (E) = P (X 1 (E)) est ue probabilité sur (R d, B(R d )) appelée la loi de X. 7
8 8 TABLE DES MATIÈRES Défiitio.1.3 O dit qu ue variable aléatoire possède u momet d ordre p N ssi la quatité E[ X p ] = x p dp X (x) R d est fiie. Pour p N, o ote L p = {X; E[ X p ] < } et si X L p, X p = E[ X p ] 1 p. Notos que (L p, X p ) est complet (car toute série absolumet covergete est covergete). Exemple.1.1 Lorsque d = 1, o dit qu ue variable aléatoire suit ue loi ormale de moyee m et de variace σ 2 (otée N (m, σ 2 )) si P X est absolumet cotiue par rapport à dx et si dp X (x) = 1 e (x m)2 2σ 2 dx. 2πσ 2 Das ce cas, X possède des momets de tout ordre, e particulier, E[X] = m et V ar(x) = E[(X E[X]) 2 ] = σ 2. Exercice.1.1 Soit X ue variable aléatoire suivat ue N (, σ 2 ). Motrer que k N, E[X 2k ] = (2k)! 2 k k! σ2k. O a le théorème de caractérisatio suivat : Théorème.1.1 a) La foctio caractéristique Φ X : t R d E[e i<t,x> ] C caractérise la loi de X. b) Si d = 1, la loi de X est caractérisée par la foctio de répartitio F X : t R P (X t) R +. Exemple.1.2 Si X suit ue N (m, σ 2 ), alors Φ X (t) = e itm e σ2 t Notio d idépedace.2.1 Evéemets Défiitio.2.1 Deux évéemets A et B (das A) sot dits idépedats si P (A B) = P (A)P (B). O ote alors A B (cette otatio géérique sera utilisée égalemet pour les tribus et les variables aléatoires). Défiitio.2.2 Des évéemets (A i ) 1 i sot idépedats si P ( i I A i ) = P (A i ), I {1,..., }. i I
9 .2. NOTION D INDÉPENDANCE 9 Remarque.2.1 Attetio, des évéemets 2 à 2 idépedats e sot pas forcémet idépedats. E effet si o jette deux pièces équilibrées o peut motrer que le évéemets A= la première pièce tombe sur pile B= la deuxième pièce tombe sur face C= les deux pièces tombet du même coté sot idépedats 2 à 2 mais o idépedats..2.2 Tribu Défiitio.2.3 Des sous tribus (A i ) 1 i de A, sot idépedates si P ( 1 i A i ) = P (A i ), A i A i. 1 i.2.3 Variables aléatoires Défiitio.2.4 Les variables aléatoires (X i ) 1 i sot idépedates si les tribus associées (σ(x i )) 1 i sot idépedates. O a alors le théorème de caractérisatio suivat, éocé pour simplifier les choses das le cas d = 1. Théorème.2.1 Les propositios suivates sot équivaletes : a) X 1 X 2 b) P (X1,X 2 ) = P X1 P X2 c) f, g C b (R, R), E[f(X 1 )g(x 2 )] = E[f(X 1 )]E[g(X 2 )] d) Φ (X1,X 2 ) = Φ X1 Φ X2 Propositio.2.1 Si X 1 et X 2 sot deux variables aléatoires réelles idépedates alors V ar(x 1 +X 2 ) = V ar(x 1 )+V ar(x 2 ) et E[X 1 X 2 ] = E[X 1 ]E[X 2 ]. La derière relatio sigifie que deux variables idépedates sot décoréllées, la réciproque est cepedat fausse e gééral ( predre X 1 = X, X 2 = X 2 avec X symétrique). Le lecteur pourra se reporter au paragraphe sur les vecteurs gaussies pour plus de détails. Propositio.2.2 Si X 1 et X 2 sot deux variables aléatoires dot la loi cojoite possède ue desité, alors, X 1 et X 2 sot idépedates ssi la desité de la loi cojoite est égale au produit des desités margiales. Exercice.2.1 (Méthode de Box-Muller) O cosidère deux variables aléatoires U 1 et U 2 idépedates suivat ue loi uiforme sur [, 1]. Motrer que les variables G 1 = 2log(U 1 )cos(2πu 2 ) et G 2 = 2log(U 1 )si(2πu 2 )
10 1 TABLE DES MATIÈRES sot deux N (, 1) idépedates. Correctio de l exercice : Soit Φ : (x, y) ], 1[ 2 (u = 2log(x)cos(2πy), v = 2log(x)si(2πy)) R 2 (R + {}). O motre que Φ est u C 1 -difféomorphisme et so détermiat jacobie vérifie 2π e u 2 +v 2 J(Φ)(x, y) = 2π. Or x u2 +v 2 = 2log(x) aisi J(Φ 1 )(u, v) = 1 2. D après la formule de chagemet de variables, pour F C b (R 2, R 2 ), F (Φ(x, y))dxdy = F (u, v) 1 u 2 +v 2 ],1[ 2 R 2 (R + {}) 2π e 2 dudv. Simulatio.2.4 Covergece des variables aléatoires Modes et critères de covergece Pour simplifier les choses o se place das le cas d = 1. Lemme.2.1 (Borel-Catelli) Soit (A ) N ue suite d élémets de A. a) Si + P (A ) <, alors =1 P ({ω Ω; ω A pour ue ifiité de }) =. b) Si les A sot idépedats avec + P (A ) = +, alors, =1 P ({ω Ω; ω A pour ue ifiité de }) = 1. Défiitio.2.5 O dit qu ue suite (X ) de variables aléatoires coverge presque sûremet vers X (X p.s X) si P ({w ω; X (ω) X(ω)}) = 1 Propositio.2.3 E utilisat B.C, o motre que X p.s X si ε >, + =1 P ( X X > ε) <.
11 .2. NOTION D INDÉPENDANCE 11 Lemme.2.2 Iégalités classiques : a) (Tchebychev) Si X L p, λ >, P ( X > λ) 1 λ p E[ X p ]. b) (Holder) Si X L p, Y L q avec p q ab ap + bq...), p q = 1, alors (par cocavité du log E[ XY ] X p Y q. Coséquece, les espaces L p sot emboîtés. c) (Mikowsky) Si X L p, Y L p (par covexité de x p + ruse...) X + Y p X p Y p. Défiitio.2.6 O dit qu ue suite (X ) de variables aléatoires das L p coverge vers X das L p (X X) si L p X X p. Défiitio.2.7 O dit qu ue suite (X ) de variables aléatoires coverge vers X e probabilité (X p X) si ε > P ( X X > ε). Défiitio.2.8 O dit qu ue suite (X ) de variables aléatoires coverge vers X e loi (X X) si f C b (R, R), L E[f(X ] E[f(X)]. Propositio.2.4 Les propositios suivates sot équivaletes. a) X L X b) F X coverge simplemet vers F X e tout poit où F X est cotiue (d = 1) c) Φ X coverge simplemet vers Φ X Exercice.2.2 Soit (G ) ue suite de variables aléatoires gaussiees qui coverge vers G das L 2. Motrer que G est gaussiee.
12 12 TABLE DES MATIÈRES Comparaiso des modes de covergece Propositio.2.5 a) X X X p.s p b) X X X X L 1 p c) X X X X p L d) Si q p, X L q X X L p X X Preuve a) Se déduit de la propositio.2.3. b) Se déduit de l iégalité de Tchebychev. c) Soit f C b (R, R) et ε >, E[f(X )] E[f(X)] E[ f(x ) f(x) 1 X X >ε]+e[ f(x ) f(x) 1 X X ε]. Or E[ f(x ) f(x) 1 X X >ε] cstep ( X X > ε). Soit g C K (R, R) telle que f g ε, E[ f(x ) f(x) 1 X X ε] 2ε + E[ g(x ) g(x) 1 X X ε]. La foctio g état uiformémet cotiue, η > tel que aisi, x y η g(x) g(y) ε, E[ g(x ) g(x) 1 X X ε] ε + cstep ( X X η) avec P ( X X η). d) Se déduit de l iégalité de Holder. Remarque.2.2 a) Toutes les autres implicatios sot fausses e gééral. b) Seule la covergece p.s autorise l habituelle stabilité algébrique des covergeces. Aisi, le seul moye de e pas se tromper est de reveir aux défiitios. (cotre-exemple X = X où X est symétrique X coverge e loi vers X et X X coverge e loi vers 2X). Les résultats suivats sot des réciproques partielles de la propositio.2.5. Défiitio.2.9 Ue famille {X i ; i I} de variables aléatoires das L 1 est dite uiformémet itégrable (U.I) si supe[ X i 1 Xi >]. i I
13 .3. VECTEURS GAUSSIENS 13 Exemple.2.1 a) Si I est fii alors {X i ; i I} est U.I. b) Si Y L 1 telle que i I X i Y, {X i ; i I} est U.I. Théorème.2.2 Si X p X et si la suite (X ) est U.I, alors, X L 1 et X L 1 X. Le résultat suivat est ue coséquece immédiate du critère.2.3. Théorème.2.3 Si X p X. X, alors il existe ue extractio φ telle que X φ() p.s Théorème.2.4 Si X L c, où c est ue costate alors X p c. Deux résultats importats Théorème.2.5 (LFGN) Soit (X ) ue suite de variables aléatoires i.i.d. a) O suppose X L 1. E otat S = X X, o a S E[X 1 ]. p.s et L 1 b) Si E[ X 1 ] = + la suite S diverge presque sûremet. Théorème.2.6 (TCL) Soit (X ) ue suite de variables aléatoires i.i.d. O suppose X L 2 et l o ote m = E[X] et σ 2 = V ar(x). E posat S = X X, o a S m σ L N (, 1). Simulatio.3 Vecteurs gaussies Les variables aléatoires réelles gaussiees (N (m, σ 2 )) ot été itroduites das l exemple.1.1. E dimesio supérieure, la gééralisatio de cette otio coduit au cocept de vecteurs gaussies. Défiitio.3.1 Soit X = (X 1,..., X ) u vecteur aléatoire de R. O dit que X est u vecteur gaussie, si pour tout élémet x = (x 1,..., x ) de R, la variable aléatoire réelle < x, X > est ue variable gaussiee.
14 14 TABLE DES MATIÈRES Exemple.3.1 Si (X 1,..., X ) sot des variables aléatoires gaussiees idépedates, alors, X = (X 1,..., X ) est u vecteur gaussie. Comme e dimesio 1, la loi d u vecteur gaussie est caractérisée par deux paramètres : Propositio.3.1 Si X est u vecteur gaussie de R alors, x R, Φ X (x) = e i<x,m> e xt Σx 2 où et m = (E[X 1 ],..., E[X ]) Σ = [cov(x i, X j )] 1 i,j. Das ce cas o dira que X suit ue N (m, Σ). Corollaire.3.1 (cf. prop.2.1 ) Si X = (X 1, X 2 ) est u vecteur gaussie de R 2 alors X 1 X 2 cov(x 1, X 2 ) =. Exercice.3.1 Soit (Z, X 1,..., X ) u vecteur gaussie tel que 1 i, Z X i. Motrer que Z (X 1,..., X ). Exercice.3.2 Soiet G = (G 1,..., G ) u -échatillo de la loi N (, 1), m R et A ue matrice carré de taille. Motrer que m + AG suit ue N (m, AA t ). Proposer esuite u algorithme de simulatio d u vecteur gaussie quelcoque (cf. exercice.2.1). Propositio.3.2 Si X suit ue N (m, Σ) et si Σ est iversible, alors, X est absolumet cotiue par rapport à la mesure de Lebesgue sur R de desité 1 e 1 (2π) 2 (det(σ)) 1 2 (x m)t Σ 1 (x m). 2 Si Σ est pas iversible, la loi de X est portée par u hyperpla et est doc étragère à la mesure de Lebesgue.
15 .4. NOTION D ESPÉRANCE CONDITIONNELLE 15.4 Notio d espérace coditioelle.4.1 Coditioemet par rapport à u évéemet Soiet A et B das A avec P (B) >. O défiit De même si X L 1, o défiit P (A B) =: P (A B). P (B) E[X B] =: E[X1 B]. P [B].4.2 Coditioemet par rapport à ue variable aléatoire discrète Soit Y ue variable aléatoire discrète (de support D au plus déombrable). O suppose que y D, P (Y = y) >. Soit A das A, o défiit P (A Y ) =: φ(y ) où y D, φ(y) = P (A {Y = y}). De même si X L 1, o défiit E[X Y ] =: ψ(y ) où y D, ψ(y) = E[X Y = y]. Il est importat de oter que P (A Y ) et E[X Y ] sot des variables aléatoires. Remarque.4.1 : O voit immédiatemet que la défiitio ci-dessus est propre au cas discret, e effet, lorsque Y est ue variable aléatoire de loi absolumet cotiue par rapport à la mesure de Lebesgue P (Y = y) =. Il vaut mieux alors gééraliser, la otio de coditioemet par rapport à u évéemet au cas des tribus..4.3 Coditioemet par rapport à ue tribu Soit (Ω, A, P ) u espace de probabilité, X ue variable aléatoire das L 1 et G ue sous tribu de A. Défiitio.4.1 (Théorème) Il existe ue variable aléatoire Z L 1 telle que i) Z est G-mesurable ii) E[XU] = E[ZU] U G-mesurable et borée. Z est otée E[X G] et est appelée l espérace coditioelle de X sachat G. De plus, Z est uique au ses où si Z vérifie égalemet i) et ii) alors Z = Z P p.s.
16 16 TABLE DES MATIÈRES Remarque.4.2 : Le résultat d existece précédet est basé sur le puissat théorème de Rado-Nikodym (paragraphe.6). Das le cas où X L 2, l existece de Z peut se démotrer simplemet à l aide de techiques hilbertiees. E effet, e cosidérat la projectio orthogoale Π de L 2 ((Ω, A, P )) sur le covexe fermé L 2 ((Ω, G, P )) o motre facilemet que Π(X) = E[X G]. E[X G] est doc la variable aléatoire G-mesurable la plus proche de X..4.4 Coditioemet par rapport à ue variable aléatoire Soit Y ue variable aléatoire. Défiitio.4.2 Si X L 1 o défiit E[X Y ] par E[X σ(y )]. Aisi d après la remarque.1.1, E[X Y ] est de la forme ψ(y ) où ψ est boréliee. O motre de plus que cette défiitio coïcide avec celle proposée das le paragraphe.4.2 pour le cas discret. Remarque.4.3 Toujours d après la remarque.1.1, la défiitio précédete pred la forme suivate : i) E[X Y ] est σ(y )-mesurable ii) E[Xg(Y )] = E[E[X Y ]g(y )] g boréliee et borée..4.5 Loi coditioelle O cosidère u couple (X, Y ) de variables aléatoires réelles das L 1. O suppose que la loi du couple possède ue desité f (X,Y ) par rapport à la mesure de Lebesgue sur R 2. Les desités margiales de X et Y sot doées par f X (x) = f (X,Y ) (x, y)dy et f Y (y) = f (X,Y ) (x, y)dx. R Lorsque X Y, o a f (X,Y ) = f X f Y. Si l hypothèse d idépedace est relaxée o a la formule de désitégratio suivate : f (X,Y ) (x, y) = f X Y (x, y)f Y (y) où f X Y (x, y) = f (X,Y )(x, y) f Y (y) si f Y (y) et f X Y (x, y) = sio. La foctio f X Y est alors appelée desité coditioelle de X sachat Y. O peut voir, e effet, que si φ vérifie φ(x) L 1, E[φ(X) Y ] = Φ(Y ) avec Φ(y) = φ(x)f X Y (x, y)dx. R R
17 .4. NOTION D ESPÉRANCE CONDITIONNELLE Propriétés de l espérace coditioelle Propriétés aalogues à l espérace Propositio.4.1 Soiet X et Y deux variables aléatoires itégrables et G ue sous tribu de A. a) (positivité) Si X P -p.s, E[X G] P -p.s. b) (liéarité) Si (α, β) R 2, E[αX + βy G] = αe[x G] + βe[y G] P -p.s. c) (croissace) Si X Y P -p.s, E[X G] E[Y G] P -p.s. (Cosidérer {E[Y G] E[X G] ε}.) d) (Beppo-lévy) Si X est ue suite de variables aléatoires das L 1 positives avec X X P -p.s, alors E[X G] E[X G] P -p.s. e) (Fatou) Si X est ue suite de variables aléatoires das L 1 positives, alors E[lim if X G] lim ife[x G] P -p.s. f) (Covergece domiée) Si X est ue suite de variables aléatoires das L 1 telle que X X et N, X Y, alors, E[X G] E[X G]. p.s p.s et L 1 g) (Jese) Si ψ : R R est covexe positive, alors, lorsque ψ(x) L 1, ψ(e[x G]) E[ψ(X) G] P -p.s. Remarque.4.4 O déduit de g) que l espérace coditioelle est u opérateur cotractat sur les espaces L p Propriétés spécifiques à l espérace coditioelle Propositio.4.2 Soiet X et Y deux variables aléatoires itégrables et G ue sous tribu de A. a) E[E[X G]] = E[X] b) Si X est G-mesurable, E[X G] = X P -p.s. c) Si Y est G-mesurable borée, E[XY G] = Y E[X G] P -p.s. d) Si σ(x) G, E[X G] = E[X] P -p.s.
18 18 TABLE DES MATIÈRES e) Si G est ue sous tribu de A telle que G G, alors, E[E[X G] G ] = E[X G ] P -p.s. f) Si (G i ) i I est ue famille de sous tribus de A, la famille (E[X G i ]) i I est U.I. Preuve : O se cotete de f), les autres assertios état laissées e exercice. D après l iégalité de Jese pour l espérace coditioelle, E[ E[X G i ] 1 E[X Gi ] >] E[E[ X G i ]1 E[X Gi ] >] = E[ X 1 E[X Gi ] >]. Or, d après l iégalité de Tchebychev, P ( E[X G i ] > ) E[ E[X G i] ] O coclut e utilisat le lemme suivat : E[E[ X G i]] = E[ X ]. Lemme.4.1 Si X L 1, ε >, δ >, P (A) < δ E[ X 1 A ] < ε. Les propriétés ci-dessus sot souvet essetielles et suffisates pour le calcul d espéraces coditioelles. Le recours à la défiitio est utile que pour les cas les plus délicats, par exemple, la propositio ci-dessous. Le résultat suivat sera utile das otre étude du modèle de Black-Scholes et plus gééralemet pour démotrer le caractère Markovie de certais processus. Propositio.4.3 Si σ(x) G et si Y est G-mesurable, alors, pour toute foctio boréliee Φ : R 2 R telle que E[ Φ(X, Y ) ] <, o a E[Φ(X, Y ) G] = ψ(y ) où ψ(y) = E[Φ(X, y)]. Preuve : O a ψ(y) = Φ(x, y)dp R X(x) et la mesurabilité de ψ est ue coséquece classique du théorème de Fubii. Soit G G, o ote Z = 1 G. O déduit des hypothèses que P (X,Y,Z) = P X P (Y,Z), aisi, E[Φ(X, Y )1 G ] = Φ(x, y)zdp (Y,Z) (y, z)dp X (x). R R 2 D après Fubii, doc E[Φ(X, Y )1 G ] = ψ(y)zdp (Y,Z) (y, z) R 2 E[Φ(X, Y )1 G ] = E[ψ(Y )1 G ].
19 .5. PROCESSUS STOCHASTIQUES Espérace coditioelle et vecteurs gaussies Propositio.4.4 Soit (Z, X 1,..., X ) u vecteur gaussie. Alors, il existe des costates réelles (a, b 1,..., b ) telles que E[Z X 1,..., X ] = a + X i b i. Preuve : Cosidéros le sous espace vectoriel fermé (car de dimesio fii) de L 2 egedré par (1, X 1,..., X ). O ote Π la projectio orthogoale sur ce covexe fermé. Il existe doc des costates (a, b 1,..., b ) telles que Π(Z) = a + X i b i. E otat Y = Z Π(Z), o a classiquemet E[Y ] = et E[Y X i ] =. i=1 Aisi, cov(y, X i ) =. Le vecteur (Y, X i ) état gaussie, d après le corollaire.3.1, Y X i. D après l exercice.3.1, Y (X 1,..., X ) doc E[Y X 1,..., X ] = E[Y ] =, aisi, E[Z X 1,..., X ] = Π(Z) = a + X i b i. i=1.5 Processus stochastiques.5.1 Gééralités Pour représeter l état d u système dépedat du temps et du hasard, le modèle mathématique se présete aturellemet sous la forme d u espace de probabilité (Ω, A, P ) et d ue foctio (t, ω) X t (ω) représetat l état du système. Pour t fixé, l état du système est ue variable aléatoire X t (ω), e revache, pour ue évolutio particulière du système (i.e à ω fixé) les états successifs sot représetés par la foctio t X t (ω) que l o omme par abus de lagage ue trajectoire. Défiitio.5.1 U processus aléatoire sur (Ω, A, P ), idicé par u esemble de temps T R +, est ue famille (X t ) t T de variables aléatoires sur (Ω, A, P ) à valeurs das u certai espace E (pour ous E = R). Plusieurs otios permettat de comparer les processus existet et étedet les otios d égalité e loi et p.s des variables aléatoires e preat e compte l évolutio temporelle. Défiitio.5.2 Deux processus (X t ) t T et (Y t ) t T sot dits équivalets ssi, N, (t 1,..., t ) T i=1 (X t1,..., X t ) = L (Y t1,..., Y t ). O dit égalemet que les processus ot même margiales fii-dimesioelles.
20 2 TABLE DES MATIÈRES Défiitio.5.3 U processus (X t ) t T est ue modificatio d u processus (Y t ) t T ssi, t T, X t = Y t P p.s. Défiitio.5.4 Deux processus (X t ) t T et (Y t ) t T sot dits idistiguables ssi P ({ω t T, X t (ω) = Y t (ω)}) = 1 Remarque.5.1 Les défiitios précédetes sot de plus e plus restrictives (exercices). Défiitio.5.5 O dit que les trajectoires d u processus sot cotiues (ou mootoes, ou cadlag) ssi, pour P presque tout ω, t T X t (ω) est cotiue (ou mootoe, ou cadlag). O dira par abus de lagage que le processus est cotiu (ou mootoe, ou cadlag). Exercice.5.1 Soiet (X t ) t T et (Y t ) t T deux processus stochastiques. 1) E supposat que les deux processus sot cotius à droite, motrer que si (X t ) t T est ue modificatio de (Y t ) t T, les processus sot idistiguables. 2) Sur l espace de probabilités ([, 1], B([, 1]), dx), soit (X t ) t R+ le processus défii par X t (ω) = ω + at et (Y t ) t R+ le processus défii par Y t (ω) = ω + at si t ω et Y t (ω) = sio. Motrer que (X t ) t R+ est ue modificatio de (Y t ) t R+ mais que ces deux processus e sot pas idistiguables. Pour simplifier les choses ous supposeros désormais que T = R +. Soit (X t ) t T u processus. Fixos u ombre fii d istats t 1... t. O ote P t1,...,t la loi du vecteur (X t1,..., X t ). Remarquos très simplemet que pour toute famille (A 1,..., A ) de Borélies, pour t +1 t, o a P t1,...,t (A 1... A ) = P t1,...,t,t +1 (A 1... A R). (1) Le théorème suivat dû à Kolmogorov assure l existece d u processus stochastique associé à ue famille de margiales fii-dimesioelles pourvu qu ue coditio de compatibilité aturelle de type (1) soit vérifiée. Ce théorème se révèle utile pour démotrer de maière abstraite l existece d u processus e particulier. Théorème.5.1 Soit ue famille de probabilités telle que : {P t1,...,t ; 1, t 1... t }
21 .5. PROCESSUS STOCHASTIQUES 21 a) P t1,...,t est ue probabilité sur R b) Si { s 1... s m } { t 1... t } alors π P t1,...,t = P s1,...,s m où π est la projectio aturelle de R sur R m. Il existe alors u processus (X t ) t R+ sot exactemet les {P t1,...,t }. dot les margiales fii-dimesioelles U processus état ue foctio de deux variables, o a ue défiitio aturelle de la mesurabilité. Défiitio.5.6 U processus (X t ) t R+ est dit mesurable si la foctio (t, ω) (R +, B(R + )) (Ω, A) X t (ω) (R, B(R)) est mesurable i.e T R +, A A, {(t, ω); t T, X t (ω) A} B([, T ]) B(R). Remarque.5.2 Notos que si (X t ) t R+ est mesurable, si f C b (R, R), la variable aléatoire Y t = f(x s)ds est bie défiie. Exercice.5.2 Motrer qu u processus à trajectoire C à droite (ou C à gauche) est mesurable. (Cosidérer X t = X +lim X avec X = 2 1 X 1 k+1 2 ] k 2, k+1 2 ].) Défiitio.5.7 O ote classiquemet { [ T L 2 (Ω [, T ]) = (X t ) t [,T ] mesurable; E k= ] } Xs 2 ds < qui équipé de la orme aturelle associée est u espace de Hilbert..5.2 Filtratios, processus adaptés Soit (Ω, A, P ) u espace de probabilité. Défiitio.5.8 Ue famille croissate (F t ) t R+ de sous-tribus de A s appelle ue filtratio. Cette tribu est dite complète si t R +, F t cotiet les esembles égligeables N de A où N = {N Ω; A A, N A, P (A) = }.
22 22 TABLE DES MATIÈRES Remarque.5.3 Du poit de vue de la modélisatio, F t représete l iformatio dispoible à la date t. O peut de plus toujours se rameer au cas d ue tribu complète e chageat F t e σ(n F t ). Doréavat, au vue de la remarque précédete, les tribus que ous cosidéreros serot supposées complètes. Défiitio.5.9 U processus (X t ) t R+ est dit adapté à la filtratio (F t ) t R+ si X t est F t mesurable. est toujours adapté à sa filtratio a- Remarque.5.4 U processus (X t ) t R+ turelle Ft X = σ(x s ; s t). Remarque.5.5 L itérêt de travailler avec des tribus complètes est que a) si X t = P p.p Y t et si X t est F t mesurable Y t est F t mesurable (aisi ue modificatio d u processus adapté est adaptée). b) si X t p.p X t et si, X t est F t mesurable X t est F t mesurable. La otio dyamique (liée à ue filtratio) de mesurabilité itroduite ci-dessus est restrictive. Elle omet le fait qu u processus est ue foctio de deux variables. Défiitio.5.1 U processus (X t ) t R+ T > la foctio est dit progressivemet mesurable si, est mesurable. (t, ω) ([, T ], B([, T ])) (Ω, F T ) X t (ω) (R, B(R)) Exercice.5.3 Pour tout t 1... t = T, soiet F ti des variables aléatoires F ti mesurables. O ote 1 X t = F ti 1 [ti,t i+1 [(t). (2) i=1 Motrer que (X t ) t [,T ] est progressivemet mesurable. O otera E([, T ] Ω) les élémets de la forme (2) avec F ti L 2 (F ti ). Remarque.5.6 U processus progressivemet mesurable est mesurable et adapté. Exercice.5.4 Motrer que lorsque (X t ) t R+ est progressivemet mesurable le processus (Y t ) t R+ défii das la remarque.5.2 est adapté (Utiliser Fubii).
23 .5. PROCESSUS STOCHASTIQUES 23 Propositio.5.1 Si u processus (X t ) t R+ est C à droite (ou C à gauche) et adapté alors il est progressivemet mesurable. Preuve : Das le cas C à gauche o pose X (t) = X [ t T ] T. O a t, Xt X t. p.p Or B B(R), {(t, ω); t T, X t B} = [, T [ {X B}... B([, T ]) F T d où le résultat. O procède de la même maière das le cas C à droite e posat X (t) = X if(t,([ t T ]+1) T ). Défiitio.5.11 O ote { [ T L 2 prog(ω [, T ]) = (X t ) t [,T ] prog mes; E ] } Xs 2 ds <. Théorème.5.2 L espace L 2 prog(ω [, T ]) muit de sa orme aturelle est u espace de Hilbert. De plus, E([, T ] Ω) est dese das L 2 prog(ω [, T ]). Preuve : Nous démotreros seulemet la deuxième partie du théorème, la première état u résultat classique de théorie des probabilités. O itroduit tout d abord ue procédure d approximatio das le cas détermiiste. Soit f L 2 ([, T ], dx), o ote N, t [, T ], P (f)(t) = i= i i 1 f(s)ds1 ] i, i+1 O peut voir que l opérateur liéaire P est cotractat e effet, si t ] i, i+1 et doc T i [P (f)(t)] 2 f 2 (s)ds i 1 [P (f)(t)] 2 dt T [f(t)] 2 dt. O peut motrer égalemet que, f C K ([, T ], R), P (f) ](t). ] f (3) L 2 ([,T ]) et étedre ce résultat à toute f L 2 ([, T ]) par desité. O éted maiteat cette procédure à L 2 prog(ω [, T ]). O pose X L 2 prog(ω [, T ]), t [, T ], pour presque tout ω, P (X t (w)) = P (X. (ω))(t).
24 24 TABLE DES MATIÈRES Comme X L 2 prog(ω [, T ]), P (X) E([, T ] Ω) car otammet (exercice.5.4) i i 1 X s ds est F i mesurable. Il est alors très simple e utilisat (3) et le théorème de covergece domiée de démotrer la covergece de P (X) vers X das L 2 prog(ω [, T ]) : X apparteat à L 2 prog(ω [, T ]), pour presque tout ω, X. (ω) L 2 ([, T ]) et doc d après (3), T (P (X s ) X s ) 2 ds p.p e restat majoré (iégalité de Mikowski) par 4 X. (ω) 2 L 2 ([,T ]) L2 (P )..5.3 Processus gaussies Défiitio.5.12 U processus stochastique (X t ) t R+ est gaussie ssi, N, t 1,..., t R +, le vecteur (X t1,..., X t ) est gaussie. La loi d u processus gaussie est caractérisée par deux foctios, sa foctio d espérace m : t E[X t ] et sa foctio de covariace Γ : (s, t) E[(X t m(t))(x s m(s))] qui est ue foctio symétrique de type positif au ses où N, t 1,..., t R +, la matrice carrée [Γ(t i, t j )] 1 i,j est symétrique positive. Nous avos e effet le résultat suivat, simple coséquece du théorème de Kolmogorov. Propositio.5.2 Soiet m : R + R ue foctio quelcoque et Γ : (R + ) 2 R ue foctio de type positif. Alors, il existe u processus gaussie de foctio d espérace m et de foctio de covariace Γ. Exemple.5.1 Motrer que la foctio (s, t) (R + ) 2 if(s, t) est de type positif. (O pourra procéder par récurrece).5.4 Martigales e temps cotiu Nous revoyos le lecteur à? pour ue présetatio cosistate de la théorie des martigales. Soit (Ω, A, P ) u espace de probabilité et (F t ) t R+ ue filtratio de cet espace. Défiitio.5.13 Ue famille adaptée (M t ) t R+ de variables aléatoires das L 1 est :
25 .5. PROCESSUS STOCHASTIQUES 25 - ue martigale si, t s, E[M t F s ] = M s. (jeu équitable) - ue surmartigale si, t s, E[M t F s ] M s. (jeu perdat) - ue sous-martigale si, t s, E[M t F s ] M s. (jeu gagat) Remarque.5.7 Ue martigale (M t ) vérifie t E[M t ] = E[M ]. Exemple.5.2 Si X L 1, M t = E[X F t ] est, d après la propositio.4.2, ue martigale. Les résultats suivats ous serot utiles par la suite. Propositio.5.3 Soit (M t ) t R+ ue martigale de carré itégrable, alors, s t, o a E[(M t M s ) 2 F s ] = E[M 2 t M 2 s F s ]. Preuve : O a E[(M t M s ) 2 F s ] = E[Mt 2 F s ] 2E[M t M s F s ] + E[Ms 2 F s ]. } {{ } Ms 2 Le résultat découle alors de l égalité E[M t M s F s ] = M 2 s. est à accroisse- Propositio.5.4 Ue martigale de carré itégrable (M t ) t R+ mets orthogoaux. Preuve : Il suffit de prouver que pour t 4 > t 3 t 2 > t 1 E[(M t4 M t3 )(M t2 M t1 )] =. Ce qui s obtiet e coditioat par rapport à F t3. Propositio.5.5 Soit (M t ) t R+ ue martigale cotiue de carré itégrable telle qu il existe (Φ t ) t [,T ] L 2 (Ω [, T ]) vérifiat, t T, M t = Φ sds. Alors P ({ω; t T, M t = }) = 1.
26 26 TABLE DES MATIÈRES Preuve : O a d après la propositio précédete, ( E[Mt 2 ] = E i=1 M it M (i 1)t Aisi d après l iégalité de Schwartz, ( it E[Mt 2 ] = E i=1 (i 1)t ) 2 Φ s ds = E ) 2 [ i=1 ( M it t E [ M (i 1)t ] Φ 2 sds. Le résultat s obtiet par passage à la limite et e utilisat la cotiuité des trajectoires de (M t ) t R+. Nous aborderos pas ici (par maque de temps) la otio de temps d arrêt et sa relatio fructueuse avec la théorie des martigales. Cepedat, ous éoços le résultat fodametal suivat qui ous assure que pour cotrôler l évolutio d ue martigale sur u segmet il suffit de cotrôler sa valeur termiale. ) 2 ]. Théorème.5.3 (Iégalité de Doob) Soit (M t ) t R+ itégrable et à trajectoires cotiues, alors, T R +, ue martigale de carré E[ sup M t 2 ] 4E[ M T 2 ]. t T O otera doréavat M 2 ([, T ]) l espace des martigales sur [, T ] de carré itégrable et à trajectoires cotiues (quotieté par la relatio d équivalece M M ssi M et M sot idistiguables). Si (M t ) t [,T ] M 2 ([, T ]) o ote M 2 l applicatio défiie par M M 2 = E[ M T 2 ]. O a alors la propositio suivate : Propositio.5.6 L applicatio M 2 défiie sur M 2 ([, T ]) est ue orme. L espace M 2 ([, T ]) mui de M 2 est u espace de Hilbert. Preuve : O admet le secod poit, le premier est ue coséquece immédiate de l iégalité de Doob. Remarque.5.8 Pour la complétude de M 2 ([, T ]), la complétude de la filtratio est idispesable.
27 .6. THÉORÈME DE RADON NIKODYM 27.6 Théorème de Rado Nikodym Défiitio.6.1 Soiet P et Q deux probabilités défiies sur le même espace de probabilité (Ω, A). a) O dit que P est absolumet cotiue par rapport à Q (ot : P Q) si A A, Q(A) = P (A) =. b) O dit que P et Q sot équivaletes (ot : P Q) si A A, P (A) = Q(A) =. c) O dit que P et Q sot étragères (ot : P Q) si A A, tel que P (A) = et Q(A) = 1. Le théorème suivat ous sera utile pour ue boe compréhesio des chagemets de probabilités das les modèles fiaciers. Théorème.6.1 (Rado-Nikodym) Soiet P et Q deux probabilités défiies sur le même espace de probabilité (Ω, A). Alors P Q si et seulemet si il existe ue variable aléatoire Z Q itégrable (uique à égalité Q p.s près) vérifiat E Q [Z] = 1 telle que, A A, P (A) = E Q [Z1 A ]. O appelle Z la desité de Rado-Nikodym de P par rapport à Q. Elle est gééralemet otée Z =: dp dq. Remarque.6.1 ce cas, dp = 1 dq dq. dp Si P Q o voit facilemet que Z > Q (ou P ) p.s, das Exercice.6.1 le but est ici de démotrer le théorème-défiitio.4.1. Soit X L 1 (Ω, A, P ), o veut démotrer l existece de E[X G]. a) Motrer que l o peut supposer X. b) Motrer que la foctio défiie sur (Ω, A) par Q(A) = XdP est ue mesure positive borée telle que Q P. c) Motrer qu il e est de même pour la restrictio de Q à (Ω, G). d) E utilisat le théorème de Rado-Nikodym, proposer u cadidat aturel pour E[X G]. A
28 28 TABLE DES MATIÈRES Exemple.6.1 (U premier pas vers Girsaov) O cosidère ue variable aléatoire X suivat, sous ue probabilité P, ue N (m, σ 2 ). Le but est de trouver ue probabilité Q équivalete à P telle que, sous Q, X suit ue N (, σ 2 ). Cosidéros la variable L = e mx σ 2 e + m2 2σ 2. D après l exemple.1.2, o voit facilemet que E P [Z] = 1, o défiit alors la probabilité Q par L = dq dp. Comme o a le résultat. E Q [e itx ] = E P [Le itx ] = e σ2 t 2 2
29 Bibliographie [1] N. Bouleau : Probabilité de l igéieur, Herma, [2] J. Jacod, P. Protter : Probability essetials, Spriger, 24. [3] D. Williams, Probability with martigales, Cambridge Uiv. Press, Cambridge,
30 3 BIBLIOGRAPHIE
31 Chapitre 1 Le mouvemet Browie Ce chapitre a été rédigé (trop???) rapidemet, merci à vous de me sigaler les coquilles ou erreurs évetuelles. 1.1 U peu d histoire Nous revoyos le lecteur à [9] pour u riche exposé historique couvrat la période Le mouvemet Browie est le plus célèbre et le plus importat processus stochastique. Il est u exemple frappat des relatios fructueuses qui uisset par momet les mathématiques et la physique. Avat d être u objet mathématique rigoureux, il a pu être observé sous diverses formes. O peut raisoablemet peser que tout commece aux aletours de 183, lorsque le botaiste Brow observe le mouvemet des particules de polle e suspesio das l eau. Ce mouvemet est e partie expliqué, quelques aées plus tard (1877) par Delsaux, e mettat e lumière l iteractio des particules de polle avec les molécules d eau qui provoque u chagemet icessat de directio de trajectoire via de multiples chocs thermiques (o trouvera ue superbe simulatio de ce phéomèe à l adresse http ://chaos.us.edu.sg/simulatios/ ). E 19, Bachelier, das des travaux pioiers qui serot à la base de la fiace mathématique modere, repred ces idées essetielles pour modéliser le cours d u actif fiacier, souligat par ailleurs so caractère Markovie (voir [2]). C est Eistei qui e 195 ([6])e doe ue défiitio raisoable. O ote X t la positio à l istat t d ue petite particule évoluat das u liquide. O suppose que a) X t+h X t est idépedat de σ(x s ; s t). b) La loi de X t+h X t e déped pas de t. c) Les trajectoires sot cotiues. 31
32 32 CHAPITRE 1. LE MOUVEMENT BROWNIEN La première hypothèse sigifie que l évolutio de la trajectoire sur [t, t + h] est uiquemet due aux chocs que subit la particule durat cette période, le phéomèe d iertie (et doc das u ses la masse de la particule) est égligé. La secode que la situatio est idetique à elle même au cours du temps (pas de variatios de température). La troisième que la particule e saute pas. Notos efi qu aucue précisio sur le caractère gaussie est faite a priori, celle ci état ue coséquece (cf. ifra) des autres hypothèses. Eistei parviet à calculer la desité de trasitio de ce processus P (X t+h dy X h = x) = q(t, x, y) et à relier ses résultats à l équatio de la chaleur (l équatio u(t,x) u(t,x) = de t 2 x 2 coditio iitiale u(,.) = f admet pour solutio u(t, x) = E[f(X t+h ) X h = x]). U pot sas précédet etre l aalyse et les probabilités viet d être amorcé, riche de coséqueces... D u poit de vue mathématique, la preuve rigoureuse de l existece d u tel processus apparaîtra que bie plus tard (1923) das les travaux de N.Wieer [16]. So étude fie, iitiée par P. Lévy [12], occupe ecore aujourd hui de ombreux mathématicies de part le mode. Das le domaie de l igéierie, il s est imposé au cours de ces derières aées comme u outil essetiel voir idispesable. Notos efi, que Wedeli Werer a obteu e 26 la médaille Fields pour ses découvertes cocerat les objets plas aléatoires e liaiso avec la physique statistique (o peut voir à l adresse suivate http :// /chaiev2/utls/programme/ /sequece id/ /format id/33/ so itervetio à l uiversité de tous les savoirs). Avat de retrer das le vif du sujet et pour justifier la défiitio du mouvemet Browie que ous adopteros das le prochai paragraphe ous démotros le résultat suivat. Lemme Soit X t vérifiat les hypothèses a), b) et c) ci-dessus. O suppose X =, alors, il existe m et σ 2 tels que X t suive ue N (mt, σ 2 t). Preuve : Nous allos supposer (c est e fait ue coséquece u peu techique des hypothèses, voir par exemple [8]) pour simplifier les choses que supe[xt 2 ] < +. t 1 Das ce cas, les trajectoires du processus sot cotiues das L 1. E effet, soit ε >, o tire de E[ X t X s ] = E[ X t X s 1 Xt X s >ε] + E[ X t X s 1 Xt X s ε] et de l iégalité de Holder que E[ X t X s ] E[ X t X s 2 ] 1 2 P ( Xt X s > ε) ε.
33 1.2. DÉFINITION, EXISTENCE, SIMULATION 33 Le résultat est alors prouvé car la cotiuité des trajectoires etraîe leur cotiuité e probabilité. Pour N, o a X t = X t + (X 2t X t ) (X t X ( 1)t ), doc d après b), N, E[X t ] = E[X t ]. Soit (p, q) N N, d après le relatio précédete pe[x 1 ] = E[X p ] = E[X ( p q )q ] = qe[x p q ], doc, s Q, E[X s ] = se[x 1 ]. Et par cotiuité des trajectoires das L 1, o a, t R, E[X t ] = te[x 1 ] = tm. Par u raisoemet aalogue au précédet, o motre que E[(X s ms) 2 ] = se[(x 1 m) 2 ], s Q, cette relatio s étedat à R tout etier car la foctio t E[(X t mt) 2 ] est croissate. E effet d après b), E[(X t+h m(t + h)) 2 ] = E[(X t mt) 2 ] + E[(X h mh) 2 ] E[(X t mt) 2 ]. E écrivat alors, N, où les variables (X kt X t = (X t X ) +...(X t X ) ( 1)t X (k 1)t ) sot i.i.d de moyee tm et de variace tσ2, u argumet aalogue à celui utilisé das la preuve du T.C.L (D.L de la foctio caractéristique) ous doe le résultat (voir [5]). 1.2 Défiitio, existece, simulatio Défiitio Soit (Ω, A, P ) u espace de probabilité. Pour simplifier les choses, o suppose que otre itervalle d étude est boré (o predra [, T ] avec souvet T = 1 mais cela e chage rie). Le mouvemet Browie est u processus (B t ) t [,1] cotiu dot les accroissemets sot idépedats, statioaires et gaussies. Plus précisémet,
34 34 CHAPITRE 1. LE MOUVEMENT BROWNIEN Défiitio U mouvemet Browie (stadard) (M.B) est u processus (B t ) t [,1] vérifiat : F B s a) B = P -p.s. b) B est cotiu i.e t B t (w) est cotiue pour P presque tout w. c) B est à accroissemets idépedats : Si t > s, B t B s est idépedat de = σ(b u, u s). d) Les accroissemets de B sot statioaires, gaussies : Si t s, B t B s suit ue N (, t s). Remarque a) Coformémet à ce qui a été précisé das le paragraphe.5, o suppose que la tribu (F B t ) t [,1] est complète. b) Par u raisoemet aalogue à celui formulé das la démostratio du lemme 1.1.1, l assertio d) peut être remplacée par Les accroissemets de B sot statioaires, cetrés, de carré itégrable avec V ar(b 1 ) = 1. c) Par u raisoemet classique de classe mootoe o motre que l assertio c) est équivalete à Pour tout t 1... t s < t, B t B s (B t1,..., B t ) (voir [4]). O peut proposer ue défiitio équivalete e liaiso avec la théorie des processus gaussies. Propositio U processus (B t ) t [,1] est u M.B ssi c est u processus gaussie, cotiu, cetré, de foctio de covariace Γ[s, t] = if(s, t). Preuve : Pour t 1... t le vecteur (B t1, B t2 B t1,..., B t B t 1 ) costitué de gaussiees idépedates est u vecteur gaussie. Aisi par combiaisos liéaires (B t1,..., B t ) l est égalemet. Le M.B est u processus gaussie cotiu. Il est de plus cetré et si t s cov(b t, B s ) = E[B t B s ] = E[(B t B s )B s ] + E[(B s ) 2 ] = s. O vérifie la défiitio poit par poit. a) E[(B ) 2 ] = doc B = P -p.s. b) B est cotiu par hypothèse. c) Pour t 1... t s < t le vecteur (B t1,...b t, B t B s ) est gaussie avec cov(b t B s, B ti ) =. Aisi (corollaire et exercice.3.1) B t B s (B t1,..., B t ) et doc d après la remarque ci dessus, B t B s est idépedat de Fs B = σ(b u, u s). d) Efi, pour s t, B t B s est gaussiee, cetrée de variace V ar(b t B s ) = t + s 2if(s, t) = t s.
35 1.2. DÉFINITION, EXISTENCE, SIMULATION Existece, costructio, simulatio Plusieurs méthodes, plus ou mois abstraites, permettet de costruire le M.B. Ces méthodes reposet gééralemet sur des résultats o triviaux. Radomisatio d u espace de Hilbert Soit (g ) N ue famille de variables aléatoires i.i.d suivat la loi ormale cetrée réduite. O cosidère l espace de Hilbert H = L 2 ([, 1], dx) et l o ote (χ ) N ue base orthoormée de H. O ote, t [, 1], B t = = χ (s)ds g (la série covergeat das L 2 ). D après l exercice.2.2, la variable B t est gaussiee, cetrée, de variace V ar(b t ) = ( = χ (s)ds) 2 = t. De la même maière, o motre facilemet que (B t ) t [,1] est u processus gaussie, cetré et de foctio de covariace égale à Γ[s, t] = if(s, t). E vertu de la propositio 1.2.1, reste à démotrer la cotiuité. L étude précise de la série aléatoire peut ous permettre de coclure (e étudiat sa covergece uiforme presque sûre) mais se révèle u peu techique ([13]). U tour de passe-passe est d utiliser le puissat (trop puissat das ce cas???) théorème de Kolmogorov (voir [1]) : Théorème (Critère de cotiuité) Soit (X t ) t R u processus stochastique vérifiat la relatio suivate, T >, C T, s < t T, E[ X t X s p ] C T t s α (1.1) où p > et α > 1. Alors, il existe ue modificatio de ce processus qui possède des trajectoires cotiues. Das le cas de (B t ), si s < t 1, B t B s suit ue N (, t s) et doc d après l exercice.1.1, E[ B t B s 2k ] = (2k)! 2 k k! (t s)k. D où le résultat e preat par exemple k = 2. Les deux exemples qui suivet sot u cas particulier de la méthode ci-dessus avec u choix explicite pour la base hilbertiee.
36 36 CHAPITRE 1. LE MOUVEMENT BROWNIEN Représetatio de Wieer (1923) ([16]) E cosidérat la base trigoométrique, o obtiet ue représetatio explicite du mouvemet Browie à l aide d ue série de Fourier aléatoire qui a été démotré par Wieer. Ce résultat est le premier résultat d existece cocerat le mouvemet Browie. O a B t = 8 π =1 si(t) g (1.2) où la série coverge uiformémet presque sûremet sur [, 1]. Notos que E[B t ] = et qu u résultat classique doe E[(B t ) 2 ] = 8 π 2 =1 si 2 (t) 2 = t. Méthode du poit milieu (costructio de Paul Lévy) E 1939, Paul Lévy propose ue costructio simple du mouvemet Browie. Cette approche ouvelle lui permettra de découvrir des propriétés importates de la trajectoire Browiee. Nous proposos ici ue approche puremet algorithmique de cette costructio, le lecteur état revoyé à [14] pour les détails plus techiques. Le but est ici d obteir à moidre frais ue approche de simulatio. Pour s t o sait (propositio 1.2.1) que le vecteur est gaussie. O pose alors (B t+s, B t, B s ) 2 Z = B t+s (B t + B s ) qui est ue variable aléatoire gaussiee telle que E[Z] = et V ar(z) = 1 (t s). 4 E utilisat le corollaire.3.1, o motre que Z (B t, B s ) car cov(z, B t ) = et cov(z, B s ) =. O peut doc mettre Z sous la forme Z = t s G 2 s,t où G s,t est ue gaussiee stadard idépedate de (B t, B s ). Remarque O peut motrer très simplemet qu e fait G s,t B u lorsque u s ou u t. E coclusio B t+s = 1 t s 2 2 (B t + B s ) + G s,t 2 G s,t B u lorsque u s ou u t.
37 1.2. DÉFINITION, EXISTENCE, SIMULATION 37 O simule alors ue trajectoire browiee de la maière suivate : 1) O simule ue famille (G i ) i N de gaussiees stadards idépedates (exercice.2.1). 2) O pose B 1 = G 1 3) O pose B 1 2 4) O pose B 1 4 5) O poseb 3 4 6) Etc... = 1 2 (B 1 + G 2 ) = 1 2 (B G 3 ) = 1 2 (B B G 4 ) O obtiet le résultat suivat sous scilab!"$!"!!!"$!!"&!!"(!!"*!#"!!#"$!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! Pricipe d ivariace de Dosker Le pricipe d ivariace de Dosker est ue gééralisatio foctioelle du T.C.L. O se doe ue famille (U k ) k N de variables aléatoires idépedates, cetrées et réduites. Pour tout N, o ote S = U U la -ième somme partielle. D après le T.C.L, S N (, 1) et plus gééralemet, t [, 1], L S [t] L N (, t) (la loi de B t ).
38 38 CHAPITRE 1. LE MOUVEMENT BROWNIEN Cosidéros alors l iterpolatio polygoale de rag de la série des sommes partielles : t [, 1], o pose X (t) = 1 [t] U k + (t [t])u [t]+1. (1.3) k=1 Le résultat suivat (voir par exemple [1]) est dû à Dosker et fourit u outil de simulatio des trajectoires Browiees. Théorème La suite de processus cotius (X ) coverge e loi das C = C([, 1], R) vers la loi du M.B i.e f C b (C, R), E[f(X )] E[f(B)]. La simulatio suivate a été réalisée sous scilab e choisissat les U i de sorte que P (U i = 1) = P (U i = 1) = 1 et e preat = 1. 2 $!!!$!!&!!(!!*!!#!!!#$!!#&!!"!!"#!"$!"%!"&!"'!"(!")!"*!"+ #"! #"# 1.3 Propriétes Les propriétés que ous voyos das ce paragraphe sot assez rudimetaires. Pour des résultats plus fis o peut cosulter par exemple ([15]) O cosidérera das cette partie que (B t ) t est u M.B sur R +.
39 1.3. PROPRIÉTES Propriétés de martigale Propositio Les processus (B t ), ((B t ) 2 t) et (e θbt θ2 t 2 ) (θ R) sot des (F B t ) t R+ martigales. O a la célèbre propositio suivate qui est dû à Paul Lévy. Propositio Soit (X t ) t ue martigale (par rapport à ue certaie tribu (F t ) t ) cotiue issue de. Alors X est u M.B si l ue des deux coditios suivates est vérifiée : a) Le processus t (X t ) 2 t est ue martigale. b) Le processus t e θxt θ2 t 2 est ue martigale pour tout θ R. Preuve : Nous allos seulemet motrer que a) implique que X t est u M.B (le b) se fait e utilisat la formule d Itô que ous verros ultérieuremet). Pour t > s, o a θ R, et e preat l espérace E[e iθ(xt Xs) t s θ2 F s ] = e 2 E[e iθ(xt Xs) t s θ2 ] = e 2. Ceci motre à la fois que X t X s F s car si Y est F s mesurable, u R E[e iθ(xt Xs)+iuY ] = E[E[e iθ(xt Xs)+iuY F s ]] = E[e iuy t s θ2 ]e 2 = E[e iuy ]E[e iθ(xt Xs) ], et que X t X s suit ue N (, t s) Trasformatios Propositio O pose B (s) t = B t+s B s, s fixé, Y t = cb t, c >, Z c 2 t = tb 1, t t >, Z =. Alors, les processus B t, B (s) t, Y t et Z t sot des mouvemets browies stadards. Le fait que Y t soit u M.B est ue propriété fodametale. E effet, le M.B est u processus auto-similaire (ou u fractal aléatoire) i.e u processus dot le comportemet reste le même à différetes échelles. (illustrer par ue simulatio!!!) Preuve de la propositio : Pour B t, B (s) t, Y t la vérificatio est immédiate, reste Z t. Il est facile de voir que Z t est u processus gaussie cetré de foctio de covariace Γ(s, t) = if(s, t). Reste à démotrer la cotiuité de Z (i.e sa
40 4 CHAPITRE 1. LE MOUVEMENT BROWNIEN cotiuité e ). Ce résultat est u peu techique ([14]) et ous allos ous coteter de motrer que B. Comme B = (B B 1 ) (B 1 B ) où les (B i+1 B i ) formet u -échatillo de la loi ormale cetrée réduite, le résultat est ue coséquece de la L.F.G.N Propriétés trajectorielles Les trajectoires du mouvemet browie sot caractérisées par ue remarquable irrégularité. Nous ous proposos de mettre e évidece ici quelques ues de ces pathologies. Propositio Soit (B t ) u mouvemet Browie. Alors P -p.s, B a) lim sup t t + t B = lim sup t t + t = + B b) lim if t t + t B = lim if t t + t = Preuve : Pour a) o cosidère la variable aléatoire R = lim sup t + B t t = lim sup t + B t B s t ( s ). Par idépedace des accroissemets Browies R σ(b u, u s) pour tout s et doc R σ(b u, u ). Aisi R R et doc R est ue costate (fiie ou ifiie). Supposos que R est fiie, aisi par défiitio de la lim sup, P ( Bt t R + 1) quad t +. Or P ( Bt t R + 1) = P (B 1 R + 1) > d où le résultat. La deuxième partie de a) se traîte de la même maière. Le poit b) est ue coséquece immédiate de a) et de la symétrie du Browie. Corollaire i) P -p.s, (B t ) passe ue ifiité de fois par tout poit. ii) (B t ) est P -p.s dérivable i à droite, i à gauche e tout poit. Preuve : i) est ue coséquece directe de la cotiuité des trajectoires (qui vérifiet doc le T.V.I) et de la propositio précédete. B ii) O peut voir que B t est P -p.s pas dérivable à droite e car lim sup t B t + + P -p.s. E cosidérat esuite (avec les otatios de la propositio 1.3.3) les Browies trasformés Bt s et Z t o motre la o dérivabilité à droite et à gauche e tout poit. t =
41 1.3. PROPRIÉTES 41 Remarque Les trajectoires du M.B sot doc des exemples explicites de foctios cotiues ulle part dérivables. Notos que sas faire appel aux probabilités, la costructio explicite d u tel objet est loi d être évidete (cf. foctio de Weierstrass). Du poit de vue de la modélisatio ( 1.1), la o dérivabilité sigifie qu o e peut défiir la vitesse de la particule, ceci est doc physiquemet très imparfait. Le fait d avoir égligé la masse de la particule (pas d iertie) est ue explicatio de ce phéomèe. Propositio P ({ω; t B t (w) est mootoe sur u itervalle}) = Preuve : O ote F = {ω; il existe u itervalle où t B t (w) est mootoe}. O a F = {ω; t B t (w) est mootoe sur [s, t]}. (s,t) Q 2, s<t Pour s < t fixés das Q, o étudie par exemple Alors A = > et statioarité, A = {ω; t B t (w) est croissate sur [s, t]}. 1 i= A i où A i = {ω; B s+(t s) i+1 1 P ( A i ) = 1 2. i= B s+(t s) i Aisi, >, P (A) 1 2, doc P (A) et P (F ) sot ulles Variatio et variatio quadratique La propositio suivate sera fodametale pour le reste du cours. }. Par idépedace Propositio Soit t >. O pose N, j {,..., 2 }, t j = tj 2. Alors, Z t = 2 j=1 B t j B t j 1 2 p.s et L 2 t. Preuve : O a E[Z t ] = t. Aisi pour la covergece das L 2 il faut motrer que V ar(z t ). Or, V ar(z t ) = 2 j=1 V ar( B t j B t j 1 2 ) = 2 j=1 ( t 2 )2 = 2 t 2,
Processus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailContribution à la théorie des entiers friables
UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailLa tarification hospitalière : de l enveloppe globale à la concurrence par comparaison
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de
Plus en détailPROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS
PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailMécanique non linéaire
M MN9 Mécaique o liéaire Zhi-Qiag FENG UFR Sciece et Techologies Uiversité d Evry Val d Essoe TABLES DES MATIERES INTRODUCTION Chapitre : CONCEPTS ELEMENTAIRES. Pricipales propriétés des matériaux. Coaissace
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
Plus en détailMobile Business. Communiquez efficacement avec vos relations commerciales 09/2012
Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détail