Note sur la méthode du kernel. Philippe Bernard Ingénierie Economique et Financière Université Paris-Dauphine
|
|
- Corentin Lamothe
- il y a 8 ans
- Total affichages :
Transcription
1 Note sur la méthode du kernel. Philippe Bernard Ingénierie Economique et Financière Université Paris-Dauphine Février 26
2 Table des matières 1 Loi normale, loi log-normale et rendements 2 2 La méthode du noyau (kernel) 4 3 Résultats 1 4 Annexe : calculs 14 1
3 La théorie du portefeuille recourt souvent à l hypothèse que les investisseurs (ménages, investisseurs institutionnels) ne prennent en compte que les deux premiers moments des rednements (i.e. l espérance et la variance) pour évaluer les portefeuilles et les actifs financiers. Ceci implique notamment que par hypothèse les investisseurs sont notamment indifférents à : l importance de l asymétrie des distributions des rendements (la skewness ou moment d ordre 3) ; l importance relative des rendements extrêmes par rapport aux rendements moyens, i.e. l importance relative des queues de distribution (la kurtosis ou moment d ordre 4). Certains types d actifs (comme les options) ou certains secteurs (comme celui des hedge funds) se caractérises pourtant souvent par des asymétries importantes ou par une relative importance des rendements extrêmes. Cependant, il est possible de justifier l approche moyenne-variance qui néglige les moments supérieurs à 2. L une des justifications les plus simples consiste à supposer que les préférences des investisseurs vérifient les axiomes de l utilité espérée et que les rendements suivent une loi normale. Sous cette double hypothèse, il est possible de montrer que quelle que soit l utilité élémentaire dont on prend l utilité totale ne dépendra que de la moyenne et de la variance. Cette démonstration pose naturellement le problème de la normalité des rendements des actifs financiers en général, des actions en particulier. Certains instruments des statistiques non-paramétriques permettent de donner certaines réponses. Avant d aborder ces méthodes, on revient brièvement sur les lois normales et log-normales. 1 Loi normale, loi log-normale et rendements Supposer que les rendemenents suivent la loi normale revient à supposer que le rendement (net discret) a pour fonction de densité une fonction f définie par son espérance m et son écart-type σ, avec: f(r) = 1 σ 2π exp 1 2 (r m σ )2 (1) Cette loi normale a deux propriétés intéressantes pour les actifs financiers : elle est stable pour l addition - et donc si les rendements d actifs constituant un portefeuille suivent une loi normale, les rendements du portefeuille en suivent une aussi ; 2
4 si l agent vérifie les hypothèses de l utilité espérée alors ses préférences ne dépendent que de l espérance et de la variance des rendements des portefeuilles. Cependant, en dépit de ces bonnes propriétés, à la loi normale est souvent préférée la loi log-normale pour représenter les rendements des titres. Avec la loi log-normale, on suppose que, si ex est la variable aléatoire, alors ln ex est distribuée normalement. Or, en finance, les rendements utilisés à court-terme sont les rendements continus qui sont par définition le logarithme népérien du facteur de croissance desprix.aussi,danscetteapproche: ex t = e P t P t (2) en indiçant chaque variable par la période t et par la durée de la période. Le rendement continu du titre est donc : ln( X e ep t t )=ln( ) (3) P t Sous l hypothèse log-normale, les rendements étant les rendements continus, alors la fonction de densité de X t = P t /P t est : f(x t )= 1 exp 1 σx t 2π 2 (ln X t m σ ) 2 où m et σ sont l espérance et l écart-type de ln(x t ). Deux propriétés essentielles (dont les démonstrations sont présentées en annexe) de la loi log-normale sont les suivantes : Propriétés 1 Si la variable X t suit la loi log-normale d espérance m et d écart-type σ alors : E (X t )=exp(m + σ2 2 ) Var(X t )=exp(2m + σ 2 )(exp(σ 2 ) 1) Que l on choisisse la loi normale (et que l on raisonne en rendements géométriques ou discrets) ou la loi log-normale (et que l on raisonne en rendements arithmétiques ou continus), il est essentiel d évaluer si cette hypothèse est plausible ou non. Ceci suppose que l on puisse calculer à partir des données observées (les cours) la distribution suivie par les rendements. Une des méthodes les plus couramment utilisées est la méthode non paramétrique du noyau (ou kernel). 3
5 Distribution des rendements continus du CAC 4, histogramme à 1 interv ,8 -,6 -, -,3 -,2 -,1,3,4,6,7 Fig. 1 2 La méthode du noyau (kernel) La méthode non paramétrique la plus simple pour inférer la fonction de densité des rendements est évidemment la construction d histogrammes. Même si cet instrument simple n est pas à négliger, il présente plusieurs défauts. Notamment qu il repose essentiellement sur un choix arbitraire : le choix des intervalles utilisés. Selon ce dernier, la distribution obtenue peut grandement différer. Différents exemples abondent dans la littérature, notament la bio-statistique. Les figures 1, 2 et 3 illustrent ainsi l application de la méthode aux rendements continus (en données quotidiennes) du CAC 4 sur la période allant du 1er mars 199 au 1er octobre 24. Il illustre qu un nombre trop limité d intervalles peut donner une fausse idée comme le montre la comparaison des figures 1 et 3. Les figures 4, et 6 appliquent la même méthode cette fois à l indice Dow Jones, plus précisément le DJIA3, pour la période allant du 1er mars 1986 au 1er octobre - les rendementsétantlesrendementscontinussurdonnéesquotidiennes. Les deux histogrammes les plus lisses (figures 3 et 6) confortent l hypothèse que les rendements continus sont distribuées de manière normale (ou log-normale). Pour dépasser les limites de la méthode de l histogramme, les statisticiens ont déve- 4
6 Distribution des rendements continus du CAC 4, histogramme à 2 interv ,8 -,6 -, -,3 -,2,,1,3,4,6,7 Fig. 2 Dis tribution des rendements géométriques du CAC 4, histogramme à intervalles ,8 -,7 -, -,4 -,3 -,2 -,1,1,2,3,4,,6 Fig. 3
7 Distribution des rendements continus du DJIA3, histogramme à 1 interv ,4 -,3 -,2 -,2 -,1 -,1,2,2,3 Fig. 4 Distribution des rendements continus du DJIA3, histogramme à 2 interv ,4 -,3 -,2 -,2 -,1,,,1,2,2,3 Fig. 6
8 Dis tribution des rendements géométriques du DJIA 3, histogramme à intervalles ,4 -,3 -,3 -,2 -,2 -,1,,,1,1,2,2,3 Fig. 6 loppé, à partir des années, la méthode du Kernel. 1 Cette méthode a notamment comme avantage de ne pas supposer a priori une forme fonctionnelle pour la fonction de densité que l on cherche à estimer. Ce faisant elle constitue donc une méthode non paramétrique. L instuition du kernel peut être retrouvée en repartant de la construction de l histogramme. On dispose de N observations : S N = {X 1,X 2,..., X N } où X i sont les valeurs (unidimensionnelles) constatées. Par exemple les rendements. L histogramme revient alors à spécifier un intervalle h et un nombre d intervalles M. Puisles différents intervalles [X + m.h, X +(m +1).h[, oùx est l origine, m =1,...,M, étant spécifiés, on détermine pour chaque observation l intervalle auquel il appartient. La fonction de densité que l on estime ainsi, notée f, b peut alors s écrire : bf(x) = 1 n o Nh # X b S N : bx I(X) (4) où I(X) est donc l intervalle auquel x appartient. On peut réécrire cette expression en introduisant une fonction caractéristique qui pour chaque X et chaque observation nous web. 1 Silverman [?] est la référence classique de la littérature. Le chapitre introductif est disponible sur le 7
9 dit simplement si l observation appartient ou non à l intervalle I(X) : si bx / I(X) δ( bx; X) = 1 si bx I(X) () L expression (4) peut alors se réécrire: bf(x) = 1 Nh X X S N δ( bx; X) (6) Une fois h fixé, la densité empirique de X va donc être déterminée par les valeurs de la fonction caractéristique δ(.; X) en chaque observation bx. Maisδ( bx; X) ne peut prendre que deux valeurs : ou 1. Cette réécriture met donc en évidence un inconvénient de l histogramme : comme δ est une fonction discontinue, même si l on ne modifiequelégèrement h, c est à dire si l on modifie la dimension de l intervalle utilisée, certaines observations dès qu elles vont entrer ou sortir dans l intervalle vont voir leur valeur passer de à 1 et inversement. Ceci fait que la densité empirique n est pas une fonction continue à la valeur de h. Comme l ont montré de nombreux exemples notamment en biostatistique, ceci peut conduire à des distributions empiriques dont la forme peut s avérer trop sensible au choix de h. Aussi les statisticiens ont tenté de proposer des méthodes non paramétriques plus robustes. Le kernel (ou noyau) fut ainsi développé au début des années. L écriture (6) de la densité empirique permet de comprendre simplement l intuition du kernel. Elle consiste à rechercher en lieu et place de δ d une fonction K, lekernel,qui nous définisse la densité empirique par : bf(x) = 1 hn X X S N K( bx,x) tout en évitant les inconvénients d une fonction discontinue comme δ. Dans la littérature, notamment en raison des résultats empiriques obtenus, deux noyaux se sont progressivement imposés : le noyau gaussien K( bx; X) = 1 exp( 1 2π 2 ( X b X ) 2 ) h le noyau d Epanechnikov K( bx; X) = 3 4 (1 ( X b X ) 2 )I( bx; X) h 8
10 où, dans les deux cas, u est un réel compris entre 1 et 1, I est la fonction indicatrice suivante : ( 1 si ( X X h I( bx; X) = )2 < 1 X X si ( h )2 1 Une fois adoptée la fonction de kernel (qui donne généralement des résultats très proches dès lors que l on a suffisamment de données), il reste à déterminer la valeur de h. Différentes méthodes sont possibles pour cela. Certaines recourent notamment à des méthodes de maximisation de la vraissemblance. Les études appliquées ont cependant montré qu empiriquement certaines formules ad hoc donnent des résultats très statisfaisants. Ainsi pour le noyau gaussien, un choix courant et relativement efficace est : h = cbσn 1,c=3ou ( 4 ) 1 La figure 7 illustre la procédure du kernel pour le noyau gaussien. Les observations dont on dispose sont les rendements observés d un titre dont on cherche à représenter la distribution. Pour garder l exemple simple, on suppose que l on ne dispose que de trois observations : R = %, 1%, 2% Dans le cas du noyau gaussien, comme l illustre la figure 7, on va donc sommer les n courbes en cloche. Ce faisant, comme l on somme des courbes lisses et dérivables, on obtient nécessairement une fonction de densité estimée à la fois continue et dérivable. Si l on prend comme valeur de l écart-type : r 1 bσ = 2 (( +1)2 +(1+1) 2 +(2 1) 2 )=18.28 et si l on applique la formule h =3bσN 1 alors numériquement : h ' Avec le noyau gaussien, les fonctions à utiliser sont donc : K( br; R) = 1 2π exp( 1 2 Ã! 2 R b R ) 43.4 Aussi, nos trois observations nous donnent trois fonctions : K 1 (R) = 1 2π exp( µ 2 R ) 43.4
11 x 1 Fig. 7 Un exemple de construction par lissage de la fonction de densité. K 2 (R) = 1 2π exp( 1 2 K 2 (R) = 1 2π exp( 1 2 µ 2 1 R ) 43.4 µ 2 2 R ) 43.4 La densité empirique de chaque rendement R (observé ou non) est alors obtenu en sommantcestroisfonctions: 1 bf(x) = 3(43.4) [K 1(R)+K 2 (R)+K 3 (R)] Le résultat obtenu est celui illustré par la figure 7. La méthode du kernel permet donc d estimer en faisant le minimum d hypothèses les distributions des rendements. Quel est le verdict de cette méthode? Peut-on, tout au moins en première approximation, considérer que les rendements sont des variables normalement distribuées. 3 Résultats Ci-dessous on applique donc la méthode du kernel pour estimer le rendement d actions et / ou d indices d actions. Selon l horizon étudié, on utilise soit les rendements discrets 1
12 (lorsque l horizon est annuel) et les rendements continus (lorsque l horizon est la journée). Les figures 8, 9, 1 et 11 présentent ainsi les résultats obtenus en appliquant la méthode du kernel aux rendements discrets annuels de quelques-uns des principaux indices : l indice MSCI World construit par la banque d investissement américaine Morgan Stanley qui est utilisé par de nombreux professionnels (funds, banques d investissement, investisseurs institutionnels) pour gérer passivement leurs investissements ; l indice S&P construits par la société américaine Standard & Poor s, indice qui conprend valeurs et qui est un des principaux indices d actions américaines utilisés aux Etats-Unis car beaucoup plus représentatif des valeurs américaines que l indice Dow Jones (DJIA3) ; l indice MSCI Europe construit comme le MSCI World par la banque d investissement Mirgan Stanley mais qui ne concerne que les valeurs européennes ; enfin l indice Nikkei 22 qui est constuit à partir de 22 valeurs japonaises. Lesvaleurs decesdifférents indices ont été calculées par les sociétés qui les construises non seulement sur les périodes où ils ont été commercialisés mais également sur les périodes antérieures. Ainsi, on dispose de données annuelles pour les MSCI World remontant à 192, du S&P depuis 181, du MSCI Europe depuis 192, du Nikkei 22 depuis Comme les figures l illustrent, les densités estimées par la méthode du kernel s avèrent en fait très proches des densités normales (prédites par le rendement moyen historique et son écart-type). Ceci n est pas nécessairement pas un hasard mais doit certainement être relié au théorème centrale limite : celui-ci, en effet, démontre que sous certaines conditions (dont celles que les variances sont bornées), la combinaison d un grand nombre de variables aléatoires tend à être approximativement gaussienne. Les résultats obtenus sur les actions des sociétés font souvent apparaître une certaine tendance à la normalité. Ainsi, sur les figures 12, 13, 14,, 16, 17 et 18 sont représentés les densités estimées et normales des actions de sociétés américaines (Microsoft, Dupont de Nemours, General Motors) et françaises (Michelin, Axa, l Oréal, BNP) pour leurs rendements continus estimés sur données quotidiennes. Les résultats font apparaître une certaine normalité des fonctions de densité : les distributions sont unimodales et symétriques ; elles approximent relativement bien les distributions normales que l on obtient en utilisant les rendements moyens et les écart-types historiques de ces titres. Cependant, même si on peut être surpris par la qualité de l ajustement, on peut 2 Ces données sont tirées celles fournies par la société Global Financial Data, Inc (http :// 11
13 Distribution des rendements de l'indice MSCI Monde, (données annuelles, rendements discrets) 2, 2 1, densité estimée 1, -,6 -,4 -,2,2,4,6,8 Fig. 8 La distribution des rendements du S&P, (données annuelles, rendements discrets) 3 2, 2 1, densité estimée 1, -,8 -,6 -,4 -,2,2,4,6 Fig. 9 12
14 Distribution des rendements de l'indice MSCI Europe, (données annuelles, rendements discrets) 2, 2 1, 1 densité estimée, -,6 -,4 -,2,2,4,6,8 Fig. 1 Distribution des rendements du Nikkei 22, (données annuelles, rendements discrets) 2 1,8 1,6 1,4 1,2 1,8 densité estimée,6,4,2 -,8 -,6 -,4 -,2,2,4,6,8 1 Fig
15 Estimation de la fonction de densité de Microsoft - données quotidiennes 6 oct 2-3 sept densité effective -,2 -, -,1 -,,,1, - Fig. 12 également remarquer qu à la différence des exemples précédants portant sur les indices, les densités estimées donnent systématiquement plus de poids aux valeurs proches de la moyenne et parfois aux valeurs extrêmes. Ceci est un fait stylisé qui a conduit à certains économistes à recourir à d autres distributions simples. Selon certains récents une combinaison de distributions normales ou la loi de Student donneraient ainsi des résultats sensiblement supérieurs. Cependant, au regard de l ensemble des résultats, on peut comprendre, qu en première approximation on puisse se satisfaire de la loi normale (ou de sa variante log normale). 4 Annexe : calculs x est supposée log-normalement distribuée (avec pour paramètres m et σ). Alors l espérance de x s écrit : E (x) = = Z + xf(x)dx Z 1 + 2π x exp( 1 2 (ln(x) m ) 2 ) dx σ σx 14
16 Estimation de la fonction de densité de Dupont de Nemours - données quotidiennes 6 octobre 2 3 septembre densité effective -, -,1 -,,,1, - Fig. 13 Estimation de la fonction de densité des rendemenents géométriques de General Motors - données quotidiennes 6 oct 2 3 sept densité effective 1 -, -,1 -,,,1,,2 Fig. 14
17 Estimation de la densité des rendements de l'action Michelin - données quotidiennes : 8 janv er oct densité effective -,2 -, -,1 -,,,1,,2 - Fig. Estimation de la densité des rendements continus d'axa données quotidiennes : mars octobre densité estimée 1 -, -,1 -,,,1,,2 - Fig
18 Estimation de la fonction de densité des rendements continus de l'oréal données quotidiennes : mars octobre densité estimée 1 -, -,1 -,,,1, - Fig. 17 Estimation de la fonction de densité des rendements continus de l'action BNP données quotidiennes : mars octobre densité estimée 1 -, -,1 -,,,1, - Fig
19 puisque : En posant : on a : u = ln(x) m σ t = ln(x) m σ du = dx σx dt = dx,x=exp(σt + m) x et donc : E (x) = = = Z 1 + exp( 1 2π 2 t2 + σt + m)dt Z 1 + exp( 1 2π 2 (t2 2σt)+m)dt Z 1 + 2π Z = exp( σ2 2 + m) 1 + 2π exp( 1 2 (t σ)2 + σ2 2 + m)dt Le second terme est l intégrale de N (m, 1) et donc : exp( 1 2 (t σ)2 )dt De même : et E (x) =exp( σ2 2 + m) Var(x) =E(x 2 ) E(x) 2 x 2 =exp2(σt + m) E(x 2 ) = = = Z 1 + exp( 1 2π 2 t2 +2σt +2m)dt Z 1 + exp( 1 2π 2 (t2 4σt)+2m)dt Z 1 + exp( 1 2π 2 (t 2σ)2 +2σ 2 +2m)dt Z = exp2(σ m) exp( 1 2π 2 (t σ)2 )dt Par conséquent, on obtient bien : Var(x) = exp2(σ 2 + m) exp(σ 2 +2m) = exp(σ 2 +2m)(exp(σ 2 ) 1) 18
Loi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
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 détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailLes équations différentielles
Les équations différentielles Equations différentielles du premier ordre avec second membre Ce cours porte exclusivement sur la résolution des équations différentielles du premier ordre avec second membre
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailPlacements IA Clarington inc. Dan Bastasic Gestionnaire de portefeuille des Fonds IA Clarington stratégiques
Placements IA Clarington inc. Dan Bastasic Gestionnaire de portefeuille des Fonds IA Clarington stratégiques Je ne caractériserais pas la récente correction du marché comme «une dégringolade». Il semble
Plus en détailRésumé du Cours de Statistique Descriptive. Yves Tillé
Résumé du Cours de Statistique Descriptive Yves Tillé 15 décembre 2010 2 Objectif et moyens Objectifs du cours Apprendre les principales techniques de statistique descriptive univariée et bivariée. Être
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailProblèmes de crédit et coûts de financement
Chapitre 9 Problèmes de crédit et coûts de financement Ce chapitre aborde un ensemble de préoccupations devenues essentielles sur les marchés dedérivésdecréditdepuislacriseducréditde2007.lapremièredecespréoccupations
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailQuestion 1: Analyse et évaluation des obligations / Gestion de portefeuille
Question 1: Analyse et évaluation des obligations / Gestion de portefeuille (33 points) Monsieur X est un gérant de fonds obligataire qui a repris la responsabilité de gestion du portefeuille obligataire
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailCe document synthétise les principaux aspects de DayTrader Live, le service le plus haut de gamme de DayByDay.
Bienvenue chez DayByDay, Ce document synthétise les principaux aspects de DayTrader Live, le service le plus haut de gamme de DayByDay. Il est en deux parties : - Les idées de trading : quels sont les
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailÉtablissement des taux d actualisation fondés sur la meilleure estimation aux fins des évaluations de provisionnement sur base de continuité
Ébauche de note éducative Établissement des taux d actualisation fondés sur la meilleure estimation aux fins des évaluations de provisionnement sur base de continuité Commission des rapports financiers
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailMéthodes de la gestion indicielle
Méthodes de la gestion indicielle La gestion répliquante : Ce type de gestion indicielle peut être mis en œuvre par trois manières, soit par une réplication pure, une réplication synthétique, ou une réplication
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailWEBINAIRE SUR LE SUIVI DE TENDANCES
WEBINAIRE SUR LE SUIVI DE TENDANCES Le 16/02/2012 à 21H Présenté par Gilles SANTACREU (Boursikoter.com) En partenariat avec CMC Markets 1 Gilles SANTACREU, 43 ans - Webmaster et fondateur du site Boursikoter.com
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailFonds d investissement Tangerine
Fonds d investissement Tangerine Prospectus simplifié Portefeuille Tangerine revenu équilibré Portefeuille Tangerine équilibré Portefeuille Tangerine croissance équilibrée Portefeuille Tangerine croissance
Plus en détail