A. Popier (Le Mans) Copules. Septembre / 72
|
|
- Thibaut Poulin
- il y a 8 ans
- Total affichages :
Transcription
1 COPULES. Alexandre Popier Université du Maine, Le Mans Septembre 2010 A. Popier (Le Mans) Copules. Septembre / 72
2 PLAN DU COURS 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
3 MODÉLISER DE LA DÉPENDANCE. SIMULATION MASTER 1 : v.a. indépendantes (ou supposées comme telles)! PROBLÈME : comment créer de la dépendance (non triviale)? EXEMPLES : en finance : instants de défaut (prêts, CDS, CDO, etc.) ; en assurance ou actuariat : dates de sinistre, de catastrophes ; en théorie des réseaux, de la fiabilité ; A. Popier (Le Mans) Copules. Septembre / 72
4 PLAN 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
5 NOTATIONS ET DÉFINITIONS. NOTATIONS : Pour x = (x 1,..., x d ) R d, x = (x x 2 d )1/2. L p = L p d = {X = (X 1,..., X d ), X k v.a. réelle et E X p < }. Si X L 1, E(X) = (E(X 1 ),..., E(X d )). DÉFINITION On appelle vecteur aléatoire toute v.a. à valeurs dans R d. Les coordonnées de X = (X 1,..., X d ) sont alors des v.a.r., dont les lois µ X1,..., µ Xd sont les lois marginales de X. A. Popier (Le Mans) Copules. Septembre / 72
6 VECTEURS ALÉATOIRES ET DENSITÉS. Soit X un vecteur aléatoire de densité q. PROPOSITION Alors X k a pour densité q k (y) = q(x 1,..., x k 1, y, x k+1,..., x d )dx 1... dx k 1 dx k+1... dx d. A. Popier (Le Mans) Copules. Septembre / 72
7 VECTEURS ALÉATOIRES ET DENSITÉS. Soit X un vecteur aléatoire de densité q. PROPOSITION Les composantes X 1,..., X d sont indépendantes ssi q(x 1,..., x d ) = q 1 (x 1 )... q d (x d )p.p. avec q k densité de X k. COROLLAIRE Les composantes X 1,..., X d sont indépendantes ssi q(x 1,..., x d ) = g 1 (x 1 )... g d (x d )p.p. et alors X k a pour densité q k (y) = g k (y)/ g k. R A. Popier (Le Mans) Copules. Septembre / 72
8 MATRICE DE COVARIANCE. NOTATIONS : Si M est une matrice, M T est sa transposée. Un vecteur x R d est une matrice d 1. x, y = x T y. DÉFINITION Pour X L 2 d, la matrice de covariance de X est définie par [ ] K (X) = E (X E(X))(X E(X)) T = E(XX T ) E(X)E(X) T. A. Popier (Le Mans) Copules. Septembre / 72
9 MATRICE DE COVARIANCE. LEMME Soit X L 2. Alors K (αx) = α 2 K (X), α R ; K (X + a) = K (X), a R d ; K T (X) = K (X). Pour tout λ R d, λ T K (X)λ 0. Si M est une matrice déterministe r d, alors K (MX) = MK (X)M T. PROPOSITION Soient X et Y dans L 2 des vecteurs aléatoires indépendants. Alors K (X + Y ) = K (X) + K (Y ). PROPOSITION Soit X L 2. On a P(X E(X) Im (K (X))) = 1. A. Popier (Le Mans) Copules. Septembre / 72
10 CALCUL DE LOIS. PROPOSITION Soit X un vecteur aléatoire. Une probabilité µ sur R d est la loi de X ssi pour toute f : R d R mesurable et bornée, E(f (X)) = fdµ. CHANGEMENT DE VARIABLE DANS R d : LEMME Soit φ un difféomorphisne de l ouvert U sur l ouvert V. Pour toute fonction f bornée f (v)dv = f (φ(u)) J(φ)(u) du. V U J(φ) est le déterminant de la matrice des φ j / u k. Rappelons que J(φ)(u) = {J(φ 1 )(φ(u))} 1. A. Popier (Le Mans) Copules. Septembre / 72
11 PLAN 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
12 LOI DES GRANDS NOMBRES. THÉORÈME Soit (Y i ) i N une suite de variables aléatoires. HYPOTHÈSES indépendance distribution identique (comme une v.a. Y ) E( Y ) < +. Alors presque sûrement : lim Y 1 n = lim n + n + n (Y Y n ) = E(Y ). Autrement dit, pour n assez grand 1 n Y i E(Y ). n i=1 A. Popier (Le Mans) Copules. Septembre / 72
13 MÉTHODE DE MONTE CARLO. MÉTHODE Pour calculer µ = E(f (X)), simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X, poser : ˆµ N = 1 N N i=1 f (X i ) = f (X 1) f (X N ). N Loi des grands nombres : ˆµ N µ pour N grand. PROBLÈME : quelle est l erreur commise? A. Popier (Le Mans) Copules. Septembre / 72
14 LOI EXPONENTIELLE (2) (ESPÉRANCE 1/2) A. Popier (Le Mans) Copules. Septembre / 72
15 LOI DE PARETO (0,5) PAS D ESPÉRANCE A. Popier (Le Mans) Copules. Septembre / 72
16 THÉORÈME CENTRAL LIMITE. THÉORÈME Soit (Y i ) i N une suite de v.a. HYPOTHÈSES indépendance distribution identique (comme une v.a. Y ) E( Y 2 ) < +. Alors Y n = N (0, 1) : pour tout a < b ( lim P a < ) n Y n µ < b = P(a < Z < b), Z N (0, 1). n + σ A. Popier (Le Mans) Copules. Septembre / 72
17 INTERVALLE DE CONFIANCE. TCL : µ = E(Y 1 ), Y n = 1 n (Y Y n ) P (Y n a n σ µ Y n + a n σ ) ( = P a ) n Y n µ a σ P( Z a), où σ 2 = Var (f (X)). Pour un niveau de confiance α [0, 1] fixé, il existe c α > 0 tel que Donc avec a = c α, pour n grand avec P( Z c α ) = α. P (µ I α,n ) P( Z c α ) = α ] σ σ I α,n = [Y n c α n, Y n + c α n : intervalle de confiance. A. Popier (Le Mans) Copules. Septembre / 72
18 MÉTHODE DE MONTE CARLO : ERREUR. MÉTHODE Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X. Poser : ˆµ N = 1 N N i=1 f (X i ) = f (X 1) f (X N ). N Erreur donnée par un intervalle de confiance : P ( µ I α,n ) α avec [ ] σ σ I α,n = ˆµ N c α N, ˆµ N + c α N, σ 2 = Var (f (x)). Problème : on ne connaît pas en général la variance σ 2. A. Popier (Le Mans) Copules. Septembre / 72
19 ESTIMATION DE LA VARIANCE. On estime σ 2 grâce à l estimateur Sn 2 = 1 n 1 montrer que ES 2 n = σ 2 = Var (Y ) et n (Y i Y n ) 2. On peut i=1 lim n + S2 n = σ 2. MÉTHODE Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X. Poser : ˆσ N = 1 N (f (X i ) ˆµ N ) N 1 2. i=1 A. Popier (Le Mans) Copules. Septembre / 72
20 MÉTHODE DE MONTE CARLO COMPLÈTE. MÉTHODE 1 Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X. 2 Poser : ˆµ N = 1 N f (X i ) = f (X 1) f (X N ), N N i=1 ˆσ N = 1 N (f (X i ) ˆµ N ) N Erreur donnée par intervalle de confiance avec niveau de confiance α [ ] ˆσ N ˆσ I α,n = ˆµ N c α N, ˆµ N + c α. N N i=1 A. Popier (Le Mans) Copules. Septembre / 72
21 LOI EXPONENTIELLE (2) (ESPÉRANCE 1/2) A. Popier (Le Mans) Copules. Septembre / 72
22 LOI EXPONENTIELLE (2) (DÉCROISSANCE EN 1/ N) A. Popier (Le Mans) Copules. Septembre / 72
23 PARETO (1,5) (ESPÉRANCE 3, PAS DE VARIANCE) A. Popier (Le Mans) Copules. Septembre / 72
24 PARETO (1,5) (TAILLE INTERVALLE CONFIANCE) A. Popier (Le Mans) Copules. Septembre / 72
25 MÉTHODE DE MONTE CARLO : REMARQUES. OBLIGATOIRE Donner ˆµ N sans intervalle de confiance n a aucune valeur! ERREUR Pour diminuer la taille de IC, diminuer le niveau de confiance α, augmenter N, diminuer σ ( réduction de variance). AVANT : SIMULATION Que signifie «Simuler N v.a. (X n ) 1 n N i.i.d. de même loi que X»? A. Popier (Le Mans) Copules. Septembre / 72
26 THÉORÈME FONDAMENTAL DE LA SIMULATION. THÉORÈME Toute variable aléatoire X à valeurs dans R d peut être simulée sous la forme X = en loi f (U 1, U 2,..., U n ) où (U 1, U 2,..., U n ) est uniformément répartie sur [0, 1] n, la fonction f : R n R d est borélienne et a ses points de discontinuité dans un ensemble Lebesgue-négligeable. Il est même possible de réaliser ceci en imposant n = 1 ou n = d ou encore n 1 donné. REMARQUE : f est «explicite». A. Popier (Le Mans) Copules. Septembre / 72
27 MÉTHODE D INVERSION. DÉFINITION Fonction de répartition de X v.a.r., notée F X, définie sur R par : x R, F X (x) = P(X x). PROPOSITION Soit F X la fonction de répartition d une v.a.r. X. Alors : 1 F X (x) [0, 1]. 2 F X est croissante. 3 lim F X (x) = 0 et lim F X (x) = 1. x x + 4 F X est continue à droite et a une limite à gauche en tout point. A. Popier (Le Mans) Copules. Septembre / 72
28 MÉTHODE D INVERSION. Fonction pseudo-inverse q X de F X : u (0, 1), q X (u) = inf{x R, F X (x) > u}. THÉORÈME Si U suit une loi uniforme sur [0, 1], q X (U) suit la même loi que X. LOI EXPONENTIELLE X = 1 ln(1 U) suit la loi exponentielle de paramètre λ. λ LOI DE BERNOULLI Si U < 1 p, X = 0, sinon X = 1 : suit la loi de Bernoulli de paramètre p [0, 1]. A. Popier (Le Mans) Copules. Septembre / 72
29 QUELLES VÉRIFICATIONS? DEUX TYPES de vérifications : histogramme normalisé contre densité, fonctions de répartition empirique contre théorique. Dans les deux cas, il faut d abord simuler un grand nombre de fois la loi en question. Pour n N, on obtient un vecteur (x 1,..., x n ) qui contient n réalisations de la loi de X. A. Popier (Le Mans) Copules. Septembre / 72
30 HISTOGRAMME VS. DENSITÉ. HISTOGRAMME NORMALISÉ 1 regrouper les n termes dans un certain nombre m de classes (avec m < n). Dans chaque classe r m réalisations de X avec r m = n. m 2 normalisation : la somme des aires des colonnes fait 1 r m /(n(c m+1 C m )). 3 tracé : sur l axe des abscisses, placer les m centres des m classes, et mettre une colonne de hauteur r m /(n(c m+1 C m )). CONVERGENCE VERS LA DENSITÉ r m n(c m+1 C m ) n + 1 C m+1 C m P(X [C m, C m+1 [). A. Popier (Le Mans) Copules. Septembre / 72
31 HISTOGRAMME VS. DENSITÉ. CONVERGENCE VERS LA DENSITÉ CONCLUSION r m n(c m+1 C m ) n + 1 C m+1 C m P(X [C m, C m+1 [). Si X discrète avec C k espacés de 1, approximativement p k. Si X à densité, alors P(X [C m, C m+1 [) C m+1 C m = 1 C m+1 C m Cm+1 C m f (t)dt C m+1 C m 0 f (C m). A. Popier (Le Mans) Copules. Septembre / 72
32 RÉPARTITION EMPIRIQUE VS. THÉORIQUE. FONCTION DE RÉPARTITION EMPIRIQUE t R, F n (t) = 1 n n 1 ],t] (x i ). i=1 THÉORÈME DE KOLMOGOROV-SMIRNOV t R, lim F n (t) = F X (t). n + A. Popier (Le Mans) Copules. Septembre / 72
33 EXEMPLE SUR LA LOI EXPONENTIELLE(2). n=100 Histogramme vs densite Fcts de repartition empirique theorique !0.2! A. Popier (Le Mans) Copules. Septembre / 72
34 EXEMPLE SUR LA LOI EXPONENTIELLE(2). n=10000 Histogramme vs densite Fcts de repartition empirique theorique !0.2! A. Popier (Le Mans) Copules. Septembre / 72
35 EXEMPLE SUR LA LOI DE BERNOULLI(0.3). n=100 Histogramme Fcts de repartition empirique theorique ! !0.2!1.0! A. Popier (Le Mans) Copules. Septembre / 72
36 EXEMPLE SUR LA LOI DE BERNOULLI(0.3). n=10000 Histogramme Fcts de repartition empirique theorique ! !0.2!1.0! A. Popier (Le Mans) Copules. Septembre / 72
37 PLAN 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
38 DÉFINITIONS. DÉFINITION Soit (X, Y ) un vecteur aléatoire à valeurs dans R 2. La loi de (X, Y ) est caractérisée par F(x, y) = P(X x, Y y), (x, y) R 2. F est la fonction de répartition bivariée de (X, Y ). Lois marginales ou marginales de (X, Y ) : lois de X et de Y prises séparément. Décrites par : F 1 (x) = P(X x) = F 2 (y) = P(Y y) = lim F(x, y) = F(x, + ), y + lim F(x, y) = F(+, y). x + A. Popier (Le Mans) Copules. Septembre / 72
39 EXEMPLES. Indépendance : F(x, y) = F 1 (x)f 2 (y). F(x, y) = min(f 1 (x), F 2 (y)) : variables comonotones (ou parfaitement positivement corrélées) : X = F 1 1 (F 2(Y )). X est une fonction croissante de Y (et vice-versa). F(x, y) = max(f 1 (x) + F 2 (y) 1, 0) : variables contra-monotones (ou parfaitement négativement corrélées) : X = F 1 1 (1 F 2(Y )). X est une fonction décroissante de Y (et vice-versa). A. Popier (Le Mans) Copules. Septembre / 72
40 PROPRIÉTÉS. PROPOSITION Soit F fonction de répartition bivariée. 1 F est continue à droite : lim F(x, y) = F(x 0, y 0 ). x x 0,y y 0 2 lim F(x, y) = lim F(x, y) = 0. x y 3 lim F(x, y) = 1. x +,y + 4 F est 2-croissante : pour tout (a 1, a 2 ), (b 1, b 2 ) avec a 1 b 1 + et a 2 b 2 +, F(b 1, b 2 ) F(a 1, b 2 ) F(b 1, a 2 ) + F(a 1, a 2 ) 0. PROPOSITION Une fonction de deux variables vérifiant les quatre propriétés précédentes est une fonction de répartition bivariée. A. Popier (Le Mans) Copules. Septembre / 72
41 REMARQUES SUR LA CROISSANCE DE F. F croissante par rapport à x et par rapport à y n implique pas F 2-croissante. F 2-croissante n implique pas F croissante par rapport à x et par rapport à y. Mais F 2-croissante et lim F(x, y) = lim F(x, y) = 0 implique x y F croissante par rapport à x et par rapport à y. Si F est de classe C 2, être 2-croissante équivaut à 2 F x y 0. A. Popier (Le Mans) Copules. Septembre / 72
42 BORNES DE FRÉCHET-HOEFFDING. THÉORÈME Pour tout (x, y) R 2, max(f 1 (x) + F 2 (y) 1, 0) F(x, y) min(f 1 (x), F 2 (y)). A. Popier (Le Mans) Copules. Septembre / 72
43 COPULE : DÉFINITION. DÉFINITION On appelle copule (de dimension 2 ou 2-dimensionnelle) toute fonction de répartition bivariée C ayant pour marginales la loi uniforme sur [0, 1]. Autrement dit, C vérifie les quatre propriétés d une fonction de répartition bivariée avec en plus : C(x, y) = 0 si x 0 ou y 0, C(x, y) = 1 si x 1 et y 1, C(x, y) = x si y 1, C(x, y) = y si x 1. REMARQUE Il suffit de définir C sur [0, 1] 2! A. Popier (Le Mans) Copules. Septembre / 72
44 THÉORÈME DE SKLAR. THÉORÈME 1 Si C est une copule, si F 1 et F 2 sont deux fonctions de répartition, alors F(x, y) = C(F 1 (x), F 2 (y)) est une fonction de répartition bivariée, ayant F 1 et F 2 pour marginales. 2 Soit F une fonction de répartition bivariée de marginales F 1 et F 2. Il existe une copule C telle que pour tout (x, y) R 2 : F(x, y) = C(F 1 (x), F 2 (y)). Si de plus F 1 et F 2 sont continues, C est unique. A. Popier (Le Mans) Copules. Septembre / 72
45 COMMENTAIRES. La loi d un vecteur aléatoire (X, Y ), c est deux fonctions de répartition, qui capturent les marginales, et une copule qui mesure la dépendance. En pratique, on connaît «bien» les marginales et mal la dépendance. Difficulté : choisir la copule qui capture le mieux les structures de dépendance entre les données. A. Popier (Le Mans) Copules. Septembre / 72
46 PROPRIÉTÉS DES COPULES. 1 Toute copule C satisfait : (u, v) [0, 1] 2 W (u, v) = max(u + v 1, 0) C(u, v) min(u, v) = M(u, v). 2 M et W sont deux copules «extrêmes» : M : composantes fonctions croissantes l une de l autre, W : composantes fonctions décroissantes l une de l autre. 3 C (u, v) = uv : composantes indépendantes. 4 Si u 1, u 2, v 1, v 2 sont dans [0, 1], C(u 1, v 1 ) C(u 2, v 2 ) u 2 u 1 + v 2 v 1. A. Popier (Le Mans) Copules. Septembre / 72
47 INVARIANCE PAR TRANSFORMATIONS CROISSANTES. PROPOSITION Si C X,Y est la copule de (X, Y ), toute transformation croissante de (X, Y ) a la même copule. CONSÉQUENCES : Si f et g, C f (X),g(Y ) (u, v) = C X,Y (u, v) ; Si f et g, C f (X),g(Y ) (u, v) = u C X,Y (u, 1 v) ; Si f et g, C f (X),g(Y ) (u, v) = u + v 1 + C X,Y (1 u, 1 v). DÉFINITION Si (U 1, U 2 ) C, alors copules associées à (1 U 1, U 2 ), (U 1, 1 U 2 ) et (1 U 1, 1 U 2 ). Pour la dernière, on parle de copule de survie. A. Popier (Le Mans) Copules. Septembre / 72
48 PREMIERS EXEMPLES. C, M et W. FAMILLE DE FRÉCHET (1958) à deux paramètres (α, β) [0, 1] 2 avec α + β 1 : C α,β (u, v) = αm(u, v) + βw (u, v) + (1 α β)c (u, v). A une structure de dépendance peu riche... FAMILLE DE FARLIE-GUMBEL-MORGENSTERN (1960) à un paramètre θ [ 1, 1] : C θ (u, v) = uv(1 + θ(1 u)(1 v)). Prieger (2002) : sélection dans des plans d assurance-santé. Dépendance faible entre les composantes. A. Popier (Le Mans) Copules. Septembre / 72
49 COPULES ET DENSITÉS. INDÉPENDANCE : densité constante : 1 [0,1] 2. A. Popier (Le Mans) Copules. Septembre / 72
50 COPULES ET DENSITÉS. COPULE M : A. Popier (Le Mans) Copules. Septembre / 72
51 COPULES ET DENSITÉS. COPULE W : A. Popier (Le Mans) Copules. Septembre / 72
52 COPULES ARCHIMÉDIENNNES. DÉFINITION Soit φ strictement décroissante et convexe de [0, 1] dans [0, + ]. C(u, v) = φ 1 (φ(u) + φ(v)). COPULE DE CLAYTON pour θ [ 1, + [\{0} : φ(x) = u θ 1 ( 1/θ, C θ (u, v) = u θ + v θ 1). θ C θ M si θ + et C θ C si θ 0. Pas de dépendance négative : risques positivement corrélés. Utilisation : syndrôme du cœur brisé, risque de défaut et récession. A. Popier (Le Mans) Copules. Septembre / 72
53 COPULES ARCHIMÉDIENNNES. DÉFINITION Soit φ strictement décroissante et convexe de [0, 1] dans [0, + ]. C(u, v) = φ 1 (φ(u) + φ(v)). COPULE DE GUMBEL pour θ [1, + [ : [ ( φ(x) = ( ln u) θ, C θ (u, v) = exp ( ln u) θ + ( ln v) θ) ] 1/θ. C θ M si θ + et C θ C si θ 1. Pas de dépendance négative : risques positivement corrélés. A. Popier (Le Mans) Copules. Septembre / 72
54 COPULES ARCHIMÉDIENNNES. DÉFINITION Soit φ strictement décroissante et convexe de [0, 1] dans [0, + ]. C(u, v) = φ 1 (φ(u) + φ(v)). COPULE DE FRANK pour θ R \ {0} : φ(x) = ln ( e θu ) 1 e θ, C θ (u, v) = 1 [ 1 θ ln 1 + (e θu 1)(e θv ] 1) e θ. 1 C θ C si θ 0, C θ M si θ + et C θ W si θ. Très populaire : atteint toutes les extrêmes, dépendance faible par rapport aux gaussiennes. Invariance : (u, v) (1 u, 1 v) et (u, v, θ) (1 u, v, θ). A. Popier (Le Mans) Copules. Septembre / 72
55 COPULES ARCHIMÉDIENNNES. DÉFINITION Soit φ strictement décroissante et convexe de [0, 1] dans [0, + ]. AUTRES EXEMPLES. C(u, v) = φ 1 (φ(u) + φ(v)). Indépendance : φ(u) = ln(u). ( ) 1 θ(1 u) Ali-Mikhail-Haq : φ(u) = ln, θ [ 1, 1]. u ( ) Fang-Fang-Rosen : φ(u) = ln 1 θ(1 u 1/k ) u 1/k, θ [ 1, 1], k > 0. A. Popier (Le Mans) Copules. Septembre / 72
56 COPULE MINMAX. LEMME Soit X 1,..., X n i.i.d. de loi F, et X (1),..., X (n) les statistiques d ordre associées. Loi de X (r) : F r (x) = n CnF i i (x)(1 F(x)) n i. i=r Loi du Max et du min : Loi du couple (min,max) F M (x) = F n (x), F m (x) = 1 (1 F(x)) n. F (m,m) (x, y) = n CnF i i (x)(f (y) F (x)) n i 1 x<y + F n (y)1 x y. i=1 A. Popier (Le Mans) Copules. Septembre / 72
57 COPULE MINMAX. En résolvant : C (m,m) (F m (x), F M (y)) = F (m,m) (x, y), DÉFINITION COPULE MINMAX : [ ] v v 1 n + (1 u) 1 n 1 n 1, si 1 (1 u) n < v 1 n, C (m,m) (u, v) = v, si 1 (1 u) 1 n v 1 n. RELATION AVEC CLAYTON Pour α = 1/n : v C (m,m) (1 u, v) = Cα Clayton (u, v). A. Popier (Le Mans) Copules. Septembre / 72
58 COPULES GAUSSIENNES. NOTATIONS : φ : fonction de répartition de la loi normale N (0, 1) ; Φ ρ : distribution ( du vecteur ) gaussien (X, Y ) centré de matrice de 1 ρ covariance : ρ 1 x y [ 1 Φ ρ (x, y) = 2π (1 ρ 2 ) exp (s2 + t 2 ] 2ρst) 2(1 ρ 2 dsdt. ) DÉFINITION Copule gaussienne de paramètre ρ ] 1, 1[ : C ρ (u, v) = Φ ρ (φ 1 (u), φ 1 (v)). De loin la plus populaire (=Black-Scholes des copules!). C ρ W si ρ 1, C ρ C si ρ 0 et C ρ M si ρ 1. A. Popier (Le Mans) Copules. Septembre / 72
59 t-copules. DÉFINITION Loi t n de degré ν, de matrice de dispersion Σ, notée t n (ν, Σ), et définie par densité : t n (ν, Σ)(X) = Γ ( ) ν+n 2 Γ ( ν 2) (νπ) n det Σ ( 1 + X t Σ 1 ) ν+n 2 X. ν t ν : fonction de répartition de la loi t 1 de degré ν avec σ = 1 ; T n (ν, Σ) : fonction de répartition multivariée de t n (ν, Σ) ; X de loi t n (ν, Σ) si X = W Z avec Z N (0, Σ), ν/w χ 2 ν, W Z. W est une inverse gamma de paramètres (ν/2, ν/2) A. Popier (Le Mans) Copules. Septembre / 72
60 t-copules. DÉFINITION t-copule de corrélation ρ ] 1, 1[ et de degré de liberté ν : C ρ,ν (u, v) = Ici Σ = ( 1 ρ ρ 1 ). t 1 ν (u) t 1 ν (v) Très proches des gaussiennes, Γ ( ) ν+2 2 2πΓ ( ν 2) (1 ρ 2 ) [ 1 + (s2 + t 2 2ρst) ν(1 ρ 2 ) ] ν+2 2 dsdt. corrélations très fortes pour les mouvements de même signe. A. Popier (Le Mans) Copules. Septembre / 72
61 COPULES ET DENSITÉS. GAUSSIENNES : A. Popier (Le Mans) Copules. Septembre / 72
62 COPULES ET DENSITÉS. DE STUDENT : A. Popier (Le Mans) Copules. Septembre / 72
63 PLAN 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
64 MESURE DE DÉPENDANCE. COEFFICIENTS DES COPULES : à quoi correspondent-ils? MESURE DE DÉPENDANCE : doit vérifier 1 Symétrie : δ(x, Y ) = δ(y, X). 2 Normalisation : 1 δ(x, Y ) 1. 3 Extrêmes : δ(x, Y ) = 1 (X, Y ) comonotone (copule M) ; δ(x, Y ) = 1 (X, Y ) contre-monotone (copule W ). 4 T : transformation monotone { δ(x, Y ) pour T croissante ; δ(t (X), Y ) = δ(x, Y ) pour T décroissante. A. Popier (Le Mans) Copules. Septembre / 72
65 COEFFICIENT DE CORRÉLATION. DÉFINITION Coefficient de corrélation appelé aussi Pearson s r : ρ(x, Y ) = Cov (X, Y ) σ X σ Y. n existe pas toujours. mesure de dépendance linéaire. Propriétés : ok. Propriété 4 : invariance par transformations linéaires (pas pour des transformations monotones générales). PROPOSITION Si X Y, ρ(x, Y ) = 0. Réciproque fausse (sauf si (X, Y ) gaussien). A. Popier (Le Mans) Copules. Septembre / 72
66 V.A. CORRÉLÉES PAR COPULES GAUSSIENNES. EN FONCTION DE ρ : A. Popier (Le Mans) Copules. Septembre / 72
67 RANK CORRELATION ( CORRÉLATION DE RANG). DÉFINITION Spearman s ρ : ρ S (X, Y ) = ρ(f 1 (X), F 2 (Y )). Kendall s τ : τ K (X, Y ) = P((X 1 X 2 )(Y 1 Y 2 ) > 0) P((X 1 X 2 )(Y 1 Y 2 ) < 0) avec (X 1, Y 1 ), (X 2, Y 2 ) i.i.d. PROPOSITION ρ S (X, Y ) = 12 τ K (X, Y ) = (C(u, v) uv)dudv, C(u, v)dc(u, v) 1. Et ρ S = τ K = 1 C = M, ρ S = τ K = 1 C = W. A. Popier (Le Mans) Copules. Septembre / 72
68 LIEN ENTRE CORRÉLATIONS ET PARAMÈTRES. REMARQUE GÉNÉRALE. Il n y a pas de lien simple entre les paramètres des copules et les mesures de corrélation! Farlie-Gumbel-Morgenstern (θ [ 1, 1]) : τ K = (2/9)θ, ρ S = θ/3. Gaussienne (ρ [ 1, 1]) : τ K = 2 π Arcsin (ρ) et ρ S = 6 Arcsin (ρ/2). π t-copule (ρ [ 1, 1], ν R +) : τ K = 2 π Arcsin (ρ). A. Popier (Le Mans) Copules. Septembre / 72
69 LIEN ENTRE CORRÉLATIONS ET PARAMÈTRES. REMARQUE GÉNÉRALE. Il n y a pas de lien simple entre les paramètres des copules et les mesures de corrélation! Archimédienne : τ K = Clayton (θ R +) : τ K = θ θ+2 ; φ(t) φ (t) dt. Gumbel (θ [1, + [) : τ K = 1 1 θ ; Frank (θ R) : τ K = D 1(θ) D k (x) = k x x 0 s k e s 1 θ ds (fonctions de Debye)., ρ S = 1 12 D 1(θ) D 2 (θ) θ, avec A. Popier (Le Mans) Copules. Septembre / 72
70 LIEN ENTRE CORRÉLATIONS ET PARAMÈTRES. REMARQUE GÉNÉRALE. Il n y a pas de lien simple entre les paramètres des copules et les mesures de corrélation! MinMax : τ = 1 2n 1, ρ = 3 12n C n 2n n i=0 ( 1) i 2n i Cn+k 2n + 12( 1) n (n!)3 (3n)!. A. Popier (Le Mans) Copules. Septembre / 72
71 DÉPENDANCE DES QUEUES DE DISTRIBUTION. DÉFINITION Soit X et Y v.a. avec fonction de répartition F X et F Y. Coefficients de dépendance à gauche et à droite (upper and lower dependency) : ( ) λ L = lim P Y F 1 1 u 0 Y (u) X FX (u), ( ) λ U = lim P Y > F 1 1 u 1 Y (u) X > FX (u). Si λ L 0 (resp. λ U 0), les queues de distribution de X et Y sont asymptotiquement dépendantes à gauche (resp. à droite). PROPOSITION C(u, u) 1 + C(u, u) 2u λ L = lim, λ U = lim. u 0 u u 1 1 u A. Popier (Le Mans) Copules. Septembre / 72
72 EXEMPLES. COPULES EXTRÊMES : pour M, λ L = λ U = 1, pour W, λ L = λ U = 0. FARLIE-GUMBEL-MORGENSTERN : λ L = λ U = 0. GAUSSIENNES : λ L = λ U = 0. t-copules : λ L = λ U = 2 2t ν+1 ( CLAYTON : λ U = 0, λ L = (1/2) 1/θ. GUMBEL : λ L = 0, λ U = 2 2 1/θ. MINMAX : en exercice. ) (ν + 1)(1 ρ). 1 + ρ A. Popier (Le Mans) Copules. Septembre / 72
73 PLAN 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
74 DÉFINITIONS. DÉFINITION Soit X = (X 1,..., X n ) vecteur aléatoire à valeurs dans R n. La loi de X est caractérisée par F(x) = P(X i x i, i = 1,..., n), x = (x 1,..., x n ) R n. F est la fonction de répartition multivariée de X. Lois marginales ou marginales de X : lois des X i prises séparément. Décrites par : F i (x i ) = P(X i x i ) = lim x j +, j i F(x) = F(+,..., +, x i, +,..., + ). A. Popier (Le Mans) Copules. Septembre / 72
75 PROPRIÉTÉS. F est continue à droite. lim F(x 1, x 2,..., x n ) = 0 pour tout i = 1,..., n. x i + lim F(x 1,..., x n ) = 1. x i +, i F is n-croissante : si a k b k pour tout k, et si H = [a 1, b 1 ]... [a n, b n ], alors V F (H) = sgn (c)f(c) 0, la somme étant prise sur les sommets de H, avec { 1 si ck = a sgn (c) = k pour un nombre pair de sommets; 1 si c k = a k pour un nombre impair de sommets. A. Popier (Le Mans) Copules. Septembre / 72
76 BORNES DE FRÉCHET-HOEFFDING. THÉORÈME Si F est une fonction de répartition multivariée de marginales F i, alors pour tout x R n, ( n ) max F i (x i ) n + 1, 0 = W (x) F(x) ATTENTION! i=1 M(x) = min(f 1 (x 1 ),..., F n (x n )). M est toujours une fonction de répartition multivariée. W ne l est a priori que si n = 2. A. Popier (Le Mans) Copules. Septembre / 72
77 COPULE : DÉFINITION. DÉFINITION On appelle copule (de dimension n ou n-dimensionnelle) toute fonction de répartition multivariée C ayant pour marginales la loi uniforme sur [0, 1]. Autrement dit, C vérifie les quatre propriétés d une fonction de répartition multivariée avec en plus : C(x) = 0 si x i 0 pour au moins un i, C(x) = 1 si x i 1 pour tout i, C i (x i ) = x i pour tout i. REMARQUE Il suffit de définir C sur [0, 1] n! A. Popier (Le Mans) Copules. Septembre / 72
78 THÉORÈME DE SKLAR. THÉORÈME 1 Si C est une copule n-dimensionnelle, si F i sont n fonctions de répartition, alors F(x) = C(F 1 (x 1 ),..., F n (x n )) est une fonction de répartition multivariée, ayant F i pour marginales. 2 Soit F une fonction de répartition multivariée de marginales F i. Il existe une copule C telle que pour tout x R n : F(x) = C(F 1 (x 1 ),..., F n (x n )). Si de plus les F i sont continues, C est unique. REMARQUE En général C n est unique que sur le produit des images des F i. A. Popier (Le Mans) Copules. Septembre / 72
79 PROPRIÉTÉS DES COPULES. 1 Toute copule C satisfait : u = (u 1,..., u n ) [0, 1] n ( n ) W (u) = max u i + n 1, 0 i=1 C(u) min(u i ) = M(u). i 2 W n est pas une copule si n 3. M en est toujours une. 3 C (u) = i u i : composantes indépendantes. 4 Si X est distribuée suivant F et si C est de classe C n, alors la densité de X est : f (x 1,..., x n ) = n C u 1... u n (F 1 (x 1 ),..., F n (x n )) n f i (x i ). i=1 A. Popier (Le Mans) Copules. Septembre / 72
80 EXEMPLES. COPULES ARCHIMÉDIENNNES : soit φ strictement décroissante et convexe de [0, 1] dans [0, + ]. C(u) = φ 1 (φ(u 1 ) + φ(u 2 ) φ(u n )). Exemples : Clayton, Frank, Gumbel, etc. COPULES GAUSSIENNES : φ : fonction de répartition de la loi normale N (0, 1) ; Φ Σ : distribution d un vecteur gaussien centré de matrice de covariance Σ. C Γ (u) = Φ Σ (φ 1 (u 1 ),..., φ 1 (u n )). t-copules : t ν : fonction de répartition de la loi t 1 (ν, 1) ; T n (ν, Σ) fonction de répartition de la loi t n (ν, Σ) Σ : matrice de covariance ; C ν,σ (u) = T n (ν, Σ)(tν 1 (u 1 ),..., tν 1 (u n )). A. Popier (Le Mans) Copules. Septembre / 72
81 PLAN 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE MONTE CARLO Principe Simulation par inversion Vérifications 3 COPULES 2-DIMENSIONNELLES Fonctions de répartition bivariées Copules et théorème de Sklar Exemples 4 MESURER LA DÉPENDANCE 5 COPULES MULTI-DIMENSIONNELLES 6 GÉNÉRER DES VARIABLES CORRÉLÉES A. Popier (Le Mans) Copules. Septembre / 72
82 PRINCIPE. 1 Choisir une copule C de dimension n et des marginales F 1,..., F n. 2 Générer U 1,..., U n, toutes uniformes sur [0, 1], via la copule C. Les v.a. U i sont donc corrélées. 3 Poser X i = F 1 i (U i ). Chaque X i a la loi marginale souhaitée, et les (X i ) 1 i n sont corrélés. REMARQUE. Les coefficients de corrélation linéaires des X i peuvent être très différents de ceux de la copule C. En revanche le ρ S et le τ K ne dépendent que de C. MATLAB La Statistics Toolbox connaît cinq types de copules : gaussienne, t, Clayton, Gumbel, Frank. A. Popier (Le Mans) Copules. Septembre / 72
83 GÉNÉRER DES COPULES. PAR MÉLANGE : une somme convexe de copules est une copule. Hu (2004) : sur indices (S&P 500, FTSE, Nikkei, Hang Seng). Combinaison convexe de gaussienne, de Gumbel, et de Gumbel Survival : C(u, v) = u + v 1 + C Gumbel (1 u, 1 v). Oakes (1982), Wang (2003) : occurence d un choc ou d un désastre. Très lié à l assurance-vie. Li (2000), etc. : risque de crédit. A. Popier (Le Mans) Copules. Septembre / 72
84 COPULES ARCHIMÉDIENNES. MÉTHODE 1 Générer R et S uniformes sur [0, 1] et indépendantes. 2 Résoudre S = T φ(t ) φ (T ), inconnue T. 3 Poser U = φ 1 (Rφ(T )), V = φ 1 ((1 R)φ(T )). PROPOSITION U et V sont uniformes sur [0, 1] et leur copule est archimédienne donnée par φ. EXEMPLE φ(u) = (u 1 1) θ, θ > 0. A. Popier (Le Mans) Copules. Septembre / 72
85 EXTENSION EN DIMENSION n. MÉTHODE 1 Simuler n v.a. i.i.d. V 1,..., V n uniformes sur [0, 1]. 2 Pour k = 1, 2,..., n 1, poser S k = V 1/k k. 3 Trouver la solution (d inconnue T ) de : V n = F(T ). 4 Poser U 1 = φ 1 (S 1... S n 1 φ(t )), U n = φ 1 ((1 S n 1 )φ(t )) et pour k = 2,..., n 1 : U k = φ 1 (1 S k 1 ) Avec φ 1(n) dérivée n-ième de φ 1 et F(t) = n 1 j=k S j φ(t ). 1 t φ 1(n) (x)[φ(x)] n 1 φ (x)dx. (n 1)! 0 A. Popier (Le Mans) Copules. Septembre / 72
86 COPULES GAUSSIENNES ET t-copules. V.A. GAUSSIENNES CORRÉLÉES : Γ R n n matrice de covariance. 1 Calculer A racine de Γ : Γ = AA T. 2 Générer n v.a. i.i.d. Z i, i = 1,..., n de loi N (0, 1). Z = (Z 1,..., Z n ). 3 Poser X = AZ T. LEMME X est un vecteur gaussien, de dimension n, centré et de matrice de covariance Γ. COPULES GAUSSIENNES : U i = N (X i ) avec N fonction de répartition de la loi N (0, 1) (normcdf en Matlab). A. Popier (Le Mans) Copules. Septembre / 72
87 COPULES GAUSSIENNES ET t-copules. V.A. GAUSSIENNES CORRÉLÉES : Γ R n n matrice de covariance. 1 Calculer A racine de Γ : Γ = AA T. 2 Générer n v.a. i.i.d. Z i, i = 1,..., n de loi N (0, 1). Z = (Z 1,..., Z n ). 3 Poser X = AZ T. LEMME X est un vecteur gaussien, de dimension n, centré et de matrice de covariance Γ. t-copules : 1 Générer une v.a.r. S de loi χ 2 ν. 2 Poser Y = ν S X. 3 Calculer U i = T (Y i ), avec T fonction de répartition de la loi t de Student (tcdf en Matlab). A. Popier (Le Mans) Copules. Septembre / 72
Simulation 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 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 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 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 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 détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
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 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 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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 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 détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
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 détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
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 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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
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 détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
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 détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
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 détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailLoi 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 détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
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 détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
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 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 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
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 détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détail