Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts"

Transcription

1 Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts Thomas Lim Université Paris 7-LPMA Travail en collaboration avec Marie-Claire Quenez Séminaire des jeunes probabilistes et statisticiens

2 Introduction Le problème Fonction d utilité L utilité (en économie) est une mesure du bien-être ou de la satisfaction obtenue par la consommation, ou du moins l obtention, d un bien ou d un service. Elle est liée à la notion de besoin. Nous voulons maximiser l espérance de la fonction d utilité de la richesse terminale E [ U ( X x,π )] T. sup π A(x) Nous voulons déterminer le prix d indifférence p(ξ) d un actif contingent ξ [ ( T )] [ ( T )] sup E U x+ π t ds t = sup E U x p(ξ)+ π t ds t +ξ. π A(x) 0 π A(x p(ξ)) 0

3 Introduction Le problème Ce problème de maximisation de la fonction d utilité a été largement étudié dans la littérature : soit avec la méthode duale, soit avec le principe de la programmation dynamique. Nous utilisons le principe de la programmation dynamique pour résoudre ce problème et caractériser la fonction valeur par une EDSR. Il existe peu de résultats sur les EDSR à sauts : Tang et Li (1994) pour l existence et l unicité d une solution pour les EDSR lipschitz, Royer (2006) pour un théorème de comparaison pour les EDSR lipschitz, Morlais (2009) pour les EDSR quadratiques sur un ensemble compact.

4 Introduction Plan de l exposé Le modèle du marché Cas compact Cas non compact Approximation de la fonction valeur Prix d indifférence

5 Le modèle du marché Le modèle du marché Soit (Ω, G, P) un espace de probabilité complet muni de : un mouvement brownien (W t ) 0 t T, un processus de défaut (N t ) 0 t T, où N t = 1 τ t. Nous notons (M t ) la martingale compensée de (N t ) et Λ t = t 0 λ sds son compensateur : t M t = N t λ s ds. 0 Théorème de représentation des martingales Soit m une (P, G)-martingale de carré intégrable avec m 0 = 0. Alors, il existe φ L 2 (W ) et ψ L 2 (M) tels que m t = t 0 t φ s dw s + ψ s dm s, t [0, T ], P a.s. 0

6 Le modèle du marché Le modèle du marché Il y a deux actifs sur le marché : un actif sans risque égal à 1 (r = 0), un actif risqué S qui admet une discontinuité au temps τ. Le processus prix (S t ) a pour équation : ds t = S t (µ t dt + σ t dw t + β t dn t ). Hypothèse (i) (µ t ), (σ t ), (β t ) et (λ t ) sont des processus G-prévisibles bornés tels que σ t > 0, (ii) le processus (β t ) vérifie β τ > 1, t [0, T ], P a.s.

7 Cas compact Problème de maximisation : le cas compact Définition L ensemble des stratégies admissibles A(x) est l ensemble des processus G-prévisibles π = (π t ) 0 t T prenant leurs valeurs dans un compact C. La richesse Xt x,π associée à une stratégie π et une richesse initiale x satisfait : { dx x,π ( ) t = π t µt dt + σ t dw t + β t dn t, X x,π 0 = x. Problème de maximisation Nous voulons caractériser la fonction valeur définie par : On remarque que V(x, ξ) = V(x, ξ) = exp( γx) sup E [ exp ( γ (X x,π T + ξ))]. π A(x) inf π A(x) E[exp( γ(x 0,π T + ξ))].

8 Cas compact Problème de maximisation : le cas compact Pour chaque π A, on définit : J π t = E [ exp ( γ(x t,π T + ξ)) G t ], t [0, T ]. Puisque (exp( γxt π )Jt π ) est une martingale, on a que Jt π est l unique solution de : 8 n >< djt π γ 2 o = 2 π2 t σt 2 Jt π γπ t(µ tjt π + σ tzt π ) λ t(1 e γπt βt )(Jt π + Ut π ) dt Zt π dw t Ut π dm t, >: JT π = exp( γξ).

9 Cas compact Idée de la démonstration : Utilisation du théorème de représentation des martingales d(exp( γxt π )Jt π ) = Z t dw t + U t dm t. Utilisation de la formule d intégration par parties pour obtenir djt π.

10 Cas compact Problème de maximisation : le cas compact Proposition J(t, ξ) = ess inf E [ exp ( γ(x t,π π A T + ξ)) ] Gt, t Soit (Y t, Z t, U t ) la solution dans S +, L 2 (W ) L 2 (M) de 8 >< >: n γ 2 dy t = ess inf π A 2 π2 t σt 2 Y t γπ t(µ ty t + σ tz t) λ t(1 e γπt βt ) o (Y t + U t) dt Z tdw t U tdm t, Y T = exp( γξ). Alors, pour tout t [0, T ], J(t, ξ) = Y t a.s. Il existe une unique stratégie optimale ˆπ A et cette stratégie est l argument minimum du générateur de cette EDSR.

11 Cas compact Théorème de comparaison Théorème Soit (ξ 1, f 1 ) et (ξ 2, f 2 ) deux couples de données condition terminale-générateur satisfaisant des conditions, et (Y 1, Z 1, U 1 ), (Y 2, Z 2, U 2 ) les solutions de leurs EDSR associées. On suppose que : ξ 1 ξ 2 p.s. f 1 (t, Yt 1, Zt 1, Ut 1 ) f 2 (t, Yt 1, Zt 1, Ut 1 ). Alors Yt 1 Yt 2 p.s. pour tout 0 t T.

12 Cas compact Idée de la démonstration : Théorème de comparaison des EDSR : Y t J π t π A. Théorème de sélection mesurable : { γ 2 } ess inf π A 2 π2 t σt 2 Y t γπ t (µ t Y t +σ t Z t ) λ t (1 e γπtβt )(Y t +U t ) = γ2 2 ˆπ2 t σ 2 t Y t γˆπ t (µ t Y t + σ t Z t ) λ t (1 e γ ˆπtβt )(Y t + U t ). Unicité de la solution d une EDSR Lipschitz : J ˆπ t = Y t.

13 Cas compact Cas non compact Définition L ensemble des stratégies admissibles A(x) est l ensemble des stratégies vérifiant T 0 π tσ t 2 dt + T 0 λ t π t β t 2 dt < a.s., et tel que pour tout π fixé et t [0, T ] il existe une constante K t,π telle que pour tout s [t, T ], on a Xs t,π K t,π. Une propriété importante de cet ensemble est qu il est stable par recollement : Lemme Soient π 1, π 2 deux stratégies admissibles et s [0, T ]. La strategie π 3 définie par { π 1 πt 3 t si t s, = πt 2 si t > s, est admissible.

14 Cas non compact Problème dynamique Pour résoudre ce problème d optimisation, nous le rendons dynamique : J(t, ξ) = ess inf E [ exp ( γ ( X t,π π A T + ξ)) ] G t (= Jt ). t Proposition L ensemble {Jt π, π A t } est stable par infimum. Pour tout t, il existe une suite (π n ) n N A t, telle que : J t = lim n Jπn t, P a.s.

15 Cas non compact Propriétés du processus J t Proposition Le processus (J t ) est le plus grand processus G-adapté tel que (exp( γx π t )J t ) est une sous-martingale pour toute stratégie admissible π A avec la condition terminale J T = exp( γξ). Lemme Pour tout 0 t T, le processus (J t ) vérifie 0 J t 1.

16 Cas non compact Décomposition de Doob-Meyer Puisque (J t ) est une sous-martingale bornée : dj t = dm t + da t, où (m t ) est une martingale de carré intégrable et (A t ) est un processus croissant G-prévisible avec A 0 = 0. Utilisant le théorème de représentation des martingales, on a : avec Z L 2 (W ) et U L 2 (M). dj t = Z t dw t + U t dm t + da t,

17 Cas non compact Utilisant la propriété : (exp( γx π t )J t ) est une sous-martingale pour tout π A, on a : Proposition Il existe un processus K A 2 tel que le processus (J t, Z t, U t, K t ) S +, L 2 (W ) L 2 (M) A 2 est une sous-solution de { γ 2 dj t = dk t Z t dw t U t dm t + ess inf π A 2 π2 t σt 2 J t } ( ) γπ t (µ t J t + σ t Z t ) λ t (1 e γπtβt )(J t + U t ) dt, J T = exp( γξ). Utilisant la propriété : (J t ) est le plus grand processus tel que (exp( γx π t )J t ) est une sous-martingale pour tout π A, on a : Théorème (J t, Z t, U t, K t ) est la plus grande des sous-solutions de l EDSR ( ).

18 Approximation de la fonction valeur Approximation de la fonction valeur J t Pour chaque k N, on définit la fonction valeur J k (t) = ess inf E [exp( γ(x x,π π A k T + ξ)) G t], t avec A k t = {π A t, π s k, s [t, T ], P a.s.}. On a la propriété suivante : Proposition Le processus (exp( γx π t )J k (t)) est une sous-martingale pour tout π A k. Cela permet de prouver l approximation suivante : Théorème Pour tout t [0, T ], on a J t = lim k Jk (t), P a.s.

19 Approximation de la fonction valeur Preuve de ce théorème Pour chaque k N, A k t A k+1 t (J k (t)) est décroissante et J t J(t), P a.s. J(t) = lim k Jk (t), P a.s. Pour prouver que J t J(t), P a.s. nous décomposons la preuve en 3 étapes (exp( γx π t ) J(t)) est une sous-martingale pour tout π Ā. Il existe une processus càd-làg G-adapté ( J t ) tel que pour tout t [0, T ], J t = J(t), P a.s. ( J t ) peut être écrit sous la forme d J t = Z tdw t + Ū tdm t + dā t. Nous montrons qu il existe K A 2 tel que ( J t, Z t, Ū t, K t ) est une sous-solution de l EDSR ( ). Donc J t J(t), P a.s.

20 Prix d indifférence Le problème Fonction d utilité L utilité (en économie) est une mesure du bien-être ou de la satisfaction obtenue par la consommation, ou du moins l obtention, d un bien ou d un service. Elle est liée à la notion de besoin. Nous voulons maximiser l espérance de la fonction d utilité de la richesse terminale E [ U ( X x,π )] T. sup π A(x) Nous voulons déterminer le prix d indifférence p(ξ) d un actif contingent ξ [ ( T )] [ ( T )] sup E U x+ π t ds t = sup E U x p(ξ)+ π t ds t +ξ. π A(x) 0 π A(x p(ξ)) 0

21 Prix d indifférence Prix d indifférence Définition Pour une richesse initial x, le prix d indifférence d un actif contingent ξ est le nombre p(ξ) tel que V(x p(ξ), ξ) = V(x, 0). { V(x p(ξ), ξ) = exp( γ(x p(ξ))j(0, ξ), V(x, 0) = exp( γx)j(0, 0). Le prix d indifférence d un actif contingent ξ est donné par : p(ξ) = 1 ( ) J(0, 0) γ log. J(0, ξ)

22 Prix d indifférence Approximation du prix d indifférence Si nous restreignons l ensemble des stratégies admissibles à l ensemble des stratégies bornées A k, on peut définir de la même manière le prix d indifférence p k (ξ) p k (ξ) = 1 ( J k ) γ log (0, 0) J k. (0, ξ) Remarquons qu on a p(ξ) = lim k pk (ξ). Ce qui permet d approximer le prix d indifférence p(ξ) par des méthodes numériques.

23 Conclusion Conclusion Nous proposons 2 caractérisations de la fonction valeur associée au problème de maximisation : c est la plus grande des sous-solutions d une EDSR, c est la limite de fonctions valeurs associées à des sous-ensembles de stratégies admissibles bornées. Chaque fonction valeur est elle même solution d une EDSR lipschitz. Le prix d indifférence est totalement déterminé par les fonctions valeurs. Ces résultats peuvent se généraliser au cas de plusieurs instants de défaut et plusieurs actifs, ainsi qu au cas de sauts poissoniens.

OPTIMISATION DE PORTEFEUILLE ET TEMPS D ARRÊT OP

OPTIMISATION DE PORTEFEUILLE ET TEMPS D ARRÊT OP OPTIMISATION DE PORTEFEUILLE ET TEMPS D ARRÊT OPTIMAL ÉCOLE POLYTECHNIQUE CMAP March 7, 2007 Outline 1 Notations 2 Un Problème Classique Objectif. Optimisation de portefeuille. Résolution. 3 Un problème

Plus en détail

Chapitre I Théorie de la ruine

Chapitre I Théorie de la ruine Chapitre I Théorie de la ruine Olivier Wintenberger ISUP 2, Université Paris VI (slides Olivier Lopez) Année universitaire 2013-2014 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité

Plus en détail

3 Equations de Laplace et de Poisson

3 Equations de Laplace et de Poisson 3 Equations de Laplace et de Poisson 3. Formule d intégration par parties Soit un domaine borné à bord régulier de classe C. On note ν = ν(x) le vecteur normal extérieur au point x. Pour toutes fonctions

Plus en détail

Allocation de portefeuille: comparaison de l analyse technique et des méthodes mathématiques

Allocation de portefeuille: comparaison de l analyse technique et des méthodes mathématiques 1/43 : comparaison de l analyse technique et des méthodes mathématiques Université Montesquieu Bordeaux IV GREΘA et IMB CHRISTOPHETTE BLANCHET (Université de Nice) RAJNA GIBSON (Université de Zurich) ETIENNE

Plus en détail

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

Théorème de Rolle et égalité des accroissements finis. Applications

Théorème de Rolle et égalité des accroissements finis. Applications 0 Théorème de Rolle et égalité des accroissements finis. Applications 0. Le théorème de Rolle sur un espace vectoriel normé Pour ce paragraphe, on se donne un espace vectoriel normé (E, ). Le théorème

Plus en détail

Série n 5 : Optimisation non linéaire

Série n 5 : Optimisation non linéaire Université Claude Bernard, Lyon I Licence Sciences & Technologies 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France Option: M2AO 2007-2008 Série n 5 : Optimisation

Plus en détail

TD 15-16-17 : Martingales et portefeuilles, modèles de Ho et Lee

TD 15-16-17 : Martingales et portefeuilles, modèles de Ho et Lee Université Paris VI Master 1 : Modèles stochastiques pour la finance (4M065) 2013/2014 TD 15-16-17 : Martingales et portefeuilles, modèles de Ho et Lee Dans toute cette feuille (sauf dans l exercice sur

Plus en détail

TD3. Exercice 1 Un cas particulier du théorème de Cauchy-Lipschitz. f (s,y(s))ds.

TD3. Exercice 1 Un cas particulier du théorème de Cauchy-Lipschitz. f (s,y(s))ds. Analyse fonctionnelle A. Leclaire - L. Magnis ENS Cachan M1 Hadamard 2015-2016 TD3 Exercice 1 Un cas particulier du théorème de Cauchy-Lipschitz Soient I un intervalle de, E un espace de Banach et f :

Plus en détail

EQUATIONS ELLIPTIQUES SEMI LINEAIRES DANS DES DOMAINES NON BORNES DE IR N

EQUATIONS ELLIPTIQUES SEMI LINEAIRES DANS DES DOMAINES NON BORNES DE IR N PORTUGALIAE MATHEMATICA Vol. 53 Fasc. 4 1996 EQUATIONS ELLIPTIQUES SEMI LINEAIRES DANS DES DOMAINES NON BORNES DE IR N B. Khodja Résumé: Soit f une fonction numérique continue, localement lipschitzienne

Plus en détail

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense.

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense. 1 Feuille d exercices n o 1 1. Deuxième forme géométrique du théorème de Hahn-Banach Soient A E et B E deux convexes, non vides, disjoints (E est une espace vectoriel normé). On suppose que A est fermé

Plus en détail

Généralités sur les fonctions numériques

Généralités sur les fonctions numériques 7 Généralités sur les fonctions numériques Une fonction numérique est, de manière générale, une fonction d une variable réelle et à valeurs réelles. 7.1 Notions de base sur les fonctions Si I, J sont deux

Plus en détail

Techniques d Analyse par les Méthodes de Lyapunov (suite)

Techniques d Analyse par les Méthodes de Lyapunov (suite) Techniques d Analyse par les Méthodes de Lyapunov (suite) Analyse et Commande des Systèmes Non Linéaires Cours SM II () Enseignant: Dr. Ph. Müllhaupt 1 / 24 Leçon 5 1 Désavantage de la définition de la

Plus en détail

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

Plus en détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

Statistiques - Notes de cours - M1. Elisabeth Gassiat

Statistiques - Notes de cours - M1. Elisabeth Gassiat Statistiques - Notes de cours - M1 Elisabeth Gassiat Table des matières 1 Introduction 5 1.1 Estimation et régions de confiance...................... 5 1.2 Tests.......................................

Plus en détail

Travaux pratiques V Modèles retardés pour une seule espèce Modèles discrets à plusieurs espèces

Travaux pratiques V Modèles retardés pour une seule espèce Modèles discrets à plusieurs espèces Biomodélisation 1 Département Licence K1BE6W14 Mathématiques Ph. Thieullen Biomodélisation TP machine V Travaux pratiques V Modèles retardés pour une seule espèce Modèles discrets à plusieurs espèces TP

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Projet de Semestre. Processus de Wiener. Analyse de B(u,T) avec racines de l équation de Lundberg complexes

ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE. Projet de Semestre. Processus de Wiener. Analyse de B(u,T) avec racines de l équation de Lundberg complexes ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Projet de Semestre Processus de Wiener Analyse de B(u,T) avec racines de l équation de Lundberg complexes Meichtry Eliane Mathématiques Paroz Sandrine 3ème année

Plus en détail

Exercices sur les équations différentielles :

Exercices sur les équations différentielles : Université de Rennes 200-20 Licence de mathématiques L2-ED Exercices sur les équations différentielles : Une mise en jambes Exercice. Parmi les espaces suivants, lesquels sont des espaces vectoriels sur

Plus en détail

Construction du Mouvement Brownien

Construction du Mouvement Brownien Chapitre 1 Construction du Mouvement Brownien 1 Un peu d histoire (voir [7] et [1]) Le nom de mouvement Brownien vient du botaniste Robert Brown. Brown n a pas découvert le mouvement brownien, car n importe

Plus en détail

Tests d homogénéité dans les modèles de mélange

Tests d homogénéité dans les modèles de mélange Tests d homogénéité dans les modèles de mélange A. Autin, C. Pouet Université de Provence Rennes, 29 Août 2008 Plan 1. 2. non-adaptatifs et adaptatifs 3. Idées des preuves 4. Modèle de mélange Modèle Cadre

Plus en détail

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure.

Construction de la mesure de Lebesgue. 1 Mesure positive engendrée par une mesure extérieure. Université d Artois Faculté des Sciences Jean Perrin Analyse Fonctionnelle (Licence 3 Mathématiques-Informatique Daniel Li Construction de la mesure de Lebesgue 28 janvier 2008 Dans ce chapitre, nous allons

Plus en détail

Euler 2D dans des domaines non réguliers

Euler 2D dans des domaines non réguliers Christophe Lacave Université de Paris Diderot (Paris VII), France partiellement en collaboration avec David Gérard-Varet (Paris VII) Math Horizon, Paris, 13 Décembre 2011 1 / 42 Plan de l exposé 1 Solution

Plus en détail

Le théorème du point xe. Applications

Le théorème du point xe. Applications 49 Le théorème du point xe. Applications 1 Comme dans le titre de cette leçon, le mot théorème est au singulier, on va s'occuper du théorème du point xe de Picard qui a de nombreuses applications. Le cas

Plus en détail

Distributions, analyse de Fourier, EDP Amphi no. 1. Distributions, Fourier, EDP

Distributions, analyse de Fourier, EDP Amphi no. 1. Distributions, Fourier, EDP Distributions, analyse de Fourier, EDP Amphi no. 1 Organisation du cours/ressources Un problème à rendre en petite classe avant les vacances de Noël Contrôle classant le lundi 20 janvier 2014 Documents

Plus en détail

Espaces de Sobolev. Résumé du cours de MEDP Maîtrise de mathématiques 2001 2002. medp-sobolev.tex (2001nov24)

Espaces de Sobolev. Résumé du cours de MEDP Maîtrise de mathématiques 2001 2002. medp-sobolev.tex (2001nov24) Espaces de Sobolev Résumé du cours de MEDP Maîtrise de mathématiques 2001 2002 medp-sobolevtex (2001nov24) Sauf mention explicite du contraire, toutes les fonctions considérées seront à valeurs réelles

Plus en détail

Introduction au calcul stochastique appliqué à la finance

Introduction au calcul stochastique appliqué à la finance Introduction au calcul stochastique appliqué à la finance Damien Lamberton Bernard Lapeyre Avant-Propos Pour cette seconde édition, nous avons apporté quelques modifications au texte primitif. Les premières

Plus en détail

FONCTIONS CONVEXES. Chapitre 3. 3.1 Notations et définitions préliminaires

FONCTIONS CONVEXES. Chapitre 3. 3.1 Notations et définitions préliminaires Chapitre 3 FONCTIONS CONVEXES 3.1 Notations et définitions préliminaires L étude des fonctions convexes montrera que celles ci sont continues sur tout l intérieur de leur domaine de définition et qu elles

Plus en détail

Espaces métriques complets. Espaces de Banach

Espaces métriques complets. Espaces de Banach Chapitre 5 Espaces métriques complets. Espaces de Banach La droite réelle est complète, car toute suite numérique de Cauchy converge. Cette propriété n est plus vraie pour le corps des nombres rationneles,

Plus en détail

Exercice 3.1.1 Si f est une fonction continue sur [0, 1], montrer que l équation différentielle

Exercice 3.1.1 Si f est une fonction continue sur [0, 1], montrer que l équation différentielle Chapitre 3 FORMULATION VARIATIONNELLE DES PROBLÈMES ELLIPTIQUES Exercice 3.. Si f est une fonction continue sur [, ], montrer que l équation différentielle { d 2 u = f pour < x < dx 2 (3.) u() = u() =.

Plus en détail

IV. Espaces L p. + tx 1. (1 t)x 0

IV. Espaces L p. + tx 1. (1 t)x 0 cours 13, le lundi 7 mars 2011 IV. spaces L p IV.1. Convexité Quand deux points x 0, x 1 R sont donnés, on peut parcourir le segment [x 0, x 1 ] qui les joint en posant pour tout t [0, 1] x t = (1 t)x

Plus en détail

ÉQUATIONS DIFFÉRENTIELLES ORDINAIRES. Semestre d accueil, le 30 mars 2006

ÉQUATIONS DIFFÉRENTIELLES ORDINAIRES. Semestre d accueil, le 30 mars 2006 ÉQUATIONS DIFFÉRENTIELLES ORDINAIRES. Semestre d accueil, le 30 mars 2006 MODÈLES DE DYNAMIQUE DES POPULATIONS N désigne l effectif d une population isolée. dn(t) dt MODÈLE DE MALTHUS (1766-1834) dn(t)

Plus en détail

Optimisation numérique. Outline. Introduction et exemples. Daniele Di Pietro A.A. 2012-2013. 1 Dénitions et notations

Optimisation numérique. Outline. Introduction et exemples. Daniele Di Pietro A.A. 2012-2013. 1 Dénitions et notations Optimisation numérique Introduction et exemples Daniele Di Pietro A.A. 2012-2013 Outline 1 Dénitions et notations 2 Applications Exemples en recherche opérationnelle Exemples en algèbre linéaire Exemples

Plus en détail

Intégration et probabilités ENS Paris, 2013-2014. TD 5 Théorèmes de Fubini, calculs Corrigé

Intégration et probabilités ENS Paris, 2013-2014. TD 5 Théorèmes de Fubini, calculs Corrigé Intégration et probabilités NS Paris, 23-24 TD 5 Théorèmes de Fubini, calculs Corrigé xercices à préparer du TD 4 xercice. (Partiel 27 Soit (,,µ un espace mesuré et f : + une fonction mesurable.. On suppose

Plus en détail

Intégration de polynômes Points de Gauss

Intégration de polynômes Points de Gauss Intégration de polynômes Points de Gauss Commençons par un exercice classique de premier cycle. Problème 1 Trouver trois réels α, β et γ tels que, pour tout polynôme P de degré au plus 2, on ait : ( )

Plus en détail

Master 2 IMOI - Mathématiques Financières

Master 2 IMOI - Mathématiques Financières Master 2 IMOI - Mathématiques Financières Exercices - Liste 1 1 Comportement d un investisseur face au risque Exercice 1 Soit K la matrice définie par 1 2 [ 3 1 1 3 1.1 Montrer que K est la matrice de

Plus en détail

Unicité et minimalité des solutions d une équation de Ginzburg-Landau.

Unicité et minimalité des solutions d une équation de Ginzburg-Landau. Unicité et minimalité des solutions d une équation de Ginzburg-Landau. Gilles arbou.m.l.a Ecole Normale Supérieure de achan 61, avenue du Président Wilson 9435 achan edex Résumé. - On étudie les solutions

Plus en détail

Topologie des espaces vectoriels normés

Topologie des espaces vectoriels normés Topologie des espaces vectoriels normés Cédric Milliet Version préliminaire Cours de troisième année de licence Université Galatasaray Année 2011-2012 2 Chapitre 1 R-Espaces vectoriels normés 1.1 Vocabulaire

Plus en détail

(Un) Corrigé du partiel Lundi 19 mars 2007. u u1 = Au = 1 2) 1 t forment une base des solutions de ce système,

(Un) Corrigé du partiel Lundi 19 mars 2007. u u1 = Au = 1 2) 1 t forment une base des solutions de ce système, Université Paris 7 Denis Diderot UFR de Mathématiques Licence L3 Equations différentielles 2006-2007 P. Perrin (Un) Corrigé du partiel Lundi 9 mars 2007 Eercice. On considère le système différentiel linéaire

Plus en détail

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale MT8 A 0 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale. Fonction de répartition.. Variable aléatoire à valeurs réelles Définition : Soit un ensemble fondamental

Plus en détail

Modélisation des processus aléatoires

Modélisation des processus aléatoires Deuxième année F4 Année universitaire 25/26 Modélisation des processus aléatoires Introduction aux équations différentielles stochastiques Vincent Barra Institut Supérieur d Informatique, de Modélisation

Plus en détail

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

Plus en détail

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien

TRAVAUX DIRIGÉS DE l UE MNBif. Informatique 3A MÉTHODES NUMÉRIQUES DE BASE. 2015-2016, Automne. N. Débit & J. Bastien TRAVAUX DIRIGÉS DE l UE MNBif Informatique 3A MÉTHODES NUMÉRIQUES DE BASE 2015-2016, Automne N. Débit & J. Bastien Document compilé le 13 novembre 2015 Liste des Travaux Dirigés Avant-propos iii Travaux

Plus en détail

Simulation de processus de diffusion en milieux discontinus

Simulation de processus de diffusion en milieux discontinus Simulation de processus de diffusion en milieux discontinus Antoine Lejay INRIA Nancy Grand-Est & IECN Collaborations avec Géraldine Pichot (INRIA Rennes) et Sylvain Maire (Univ. Toulon) et plus anciennement

Plus en détail

Systèmes dynamiques. Chapitre 1

Systèmes dynamiques. Chapitre 1 Chapitre 1 Systèmes dynamiques 1) Placement financier On dépose une quantité d argent u 0 à la banque à l instant t 0 = 0 et on place cet argent à un taux r > 0. On sait qu en vertu de la loi des intérêts

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Les espaces L p. Chapitre 6. 6.1 Définitions et premières propriétés. 6.1.1 Les espaces L p, avec 1 p < +

Les espaces L p. Chapitre 6. 6.1 Définitions et premières propriétés. 6.1.1 Les espaces L p, avec 1 p < + Chapitre 6 Les espaces L p 6.1 Définitions et premières propriétés 6.1.1 Les espaces L p, avec 1 p < + Soient (E, T,m) un espace mesuré, 1 p < + et f M = M(E, T) (c est-à-dire f : E R, mesurable). On remarque

Plus en détail

Validation numérique de l homogénéisation pour un modèle simplifié de stockage avec sources aléatoires

Validation numérique de l homogénéisation pour un modèle simplifié de stockage avec sources aléatoires Validation numérique de l homogénéisation pour un modèle simplifié de stockage avec sources aléatoires Introduction Modélisation de la migration de radionucléide Vers un modèle probabiliste Calcul des

Plus en détail

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales

Recueil d annales en Mathématiques. Terminale S Enseignement obligatoire. Intégrales Recueil d annales en Mathématiques Terminale S Enseignement obligatoire Frédéric Demoulin Dernière révision : 3 juin 2 Document diffusé via le site www.bacamaths.net de Gilles Costantini 2. frederic.demoulin

Plus en détail

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques (605) GESTION DE STOCK À DEMANDE ALÉATOIRE Résumé : Chaque mois, le gérant d un magasin doit

Plus en détail

Estimations de la vitesse de propagation des photons et complétude asymptotique en QED non relativiste

Estimations de la vitesse de propagation des photons et complétude asymptotique en QED non relativiste Estimations la vitesse propagation et complétu asymptotique en Institut Mathématiques Boraux Université Boraux 1 J-F Bony, J F, J. Funct. Anal., 262, 850-888, (2012) J-F Bony, J F, IM Sigal, Adv. Math.,

Plus en détail

Les espaces vectoriels

Les espaces vectoriels Agrégation interne UFR MATHÉMATIQUES 1. Généralités Les espaces vectoriels Dans tout le chapitre, K représente un corps commutatif. 1.1. Notion d espace vectoriel On considère un ensemble E sur lequel

Plus en détail

Espaces vectoriels normés

Espaces vectoriels normés Espaces vectoriels normés Essaidi Ali 19 octobre 2010 K = R ou C. E un K-espace vectoriel. 1 Normes et distances : 1.1 Normes et distances : Définition : On appelle semi-norme sur E toute application N

Plus en détail

Caractérisation des mesures de performance pertinentes en gestion alternative

Caractérisation des mesures de performance pertinentes en gestion alternative Caractérisation des mesures de performance pertinentes en gestion alternative Alexis BONNET Isabelle NAGOT Methodology Group CERMSEM Université Paris1Panthéon-Sorbonne 2 avril 2004 Quelles sont les mesures

Plus en détail

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Shuyan LIU Université Paris - SAMM Youri DAVYDOV et Radu STOICA Université Lille - Laboratoire Paul Painlevé

Plus en détail

Introduction aux processus de diffusion Pierre Priouret. Mode d emploi

Introduction aux processus de diffusion Pierre Priouret. Mode d emploi Université Pierre et Marie Curie Master de sciences et technologies Mathématiques et applications. Deuxième année Spécialité Probabilités et applications. Filière Probabilités et Finances Année 24/25 1

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale

Plus en détail

RO04/TI07 - Optimisation non-linéaire

RO04/TI07 - Optimisation non-linéaire RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 Sommaire I Motivations et notions fondamentales 7 I1 Motivations 8 I11 Formulation générale

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

Seconde Partie. Cours de Mathématiques. Semestre

Seconde Partie. Cours de Mathématiques. Semestre Année 2009-2010 ntégration et Probabilités Seconde Partie Cours de Mathématiques Takéo Takahashi Première Année FICM Semestre Table des matières 5 Indépendance et Convolution 3 5.1 Indépendance..............................................

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Baccalauréat Série S Métropole, juin 2014

Baccalauréat Série S Métropole, juin 2014 Baccalauréat Série S Métropole, juin 4 Sujet et Corrigé Stéphane PASQUET Disponible sur http://www.mathweb.fr juin 4 Exercice (5 points) - Commun à tous les candidats Partie A Dans le plan muni d un repère

Plus en détail

1 Espaces vectoriels normés

1 Espaces vectoriels normés Université Paris 7 Denis Diderot Année 2005/2006 Licence 2 MIAS MI4 1 Espaces vectoriels normés 1.1 Définitions Soit E un espace vectoriel sur R. Topologie des espaces vectoriels de dimension finie Définition

Plus en détail

Intégrales curvilignes et de surfaces

Intégrales curvilignes et de surfaces Intégrales curvilignes et de surfaces Fabrice Dodu FORMATION CONTINUE : DUT+3 DÉPARTEMENT DE MATHÉMATIQUES : INSA TOULOUSE 2-21 Version 1. Sommaire I Le cours 6 1 Intégrales curvilignes 8 1.1 Notions sur

Plus en détail

Les systèmes hybrides stochastiques généraux (GSHS)

Les systèmes hybrides stochastiques généraux (GSHS) Groupe de travail SDH (GdR MACS) Exposé pour la réunion du 20 septembre 2007 Les systèmes hybrides stochastiques généraux (GSHS) et leur équation de Fokker-Planck-Kolmogorov Julien Bect Département Signaux

Plus en détail

CHAPITRE IV: ONDES DE CHOCS DROITES

CHAPITRE IV: ONDES DE CHOCS DROITES CHAPITRE IV: ONDES DE CHOCS DROITES Nous avons souligné au chapitre II, ainsi qu au chapitre III, que pour les écoulements à grande vitesse le modèle continu ne permettait pas de décrire la totalité des

Plus en détail

Intégrale de Lebesgue

Intégrale de Lebesgue Intégrale de Lebesgue ÉCOLE POLYTECHNIQUE Cours 4 : intégrale de Lebesgue Bertrand Rémy 1 / 50 1. Motivations et points de vue ÉCOLE POLYTECHNIQUE Cours 4 : intégrale de Lebesgue Bertrand Rémy 2 / 50 Deux

Plus en détail

Détection statistique d anomalies en présence de paramètres de nuisance

Détection statistique d anomalies en présence de paramètres de nuisance Détection statistique d anomalies en présence de paramètres de nuisance Lionel Fillatre ENST Bretagne, département Signal & Communication Lionel Fillatre (département SC) Détection d anomalies 1 / 29 Structure

Plus en détail

COURS OPTIMISATION. Cours en Master M1 SITN. Ionel Sorin CIUPERCA

COURS OPTIMISATION. Cours en Master M1 SITN. Ionel Sorin CIUPERCA COURS OPTIMISATION Cours en Master M1 SITN Ionel Sorin CIUPERCA 1 Table des matières 1 Introduction 4 2 Quelques rappels de calcul différentiel, analyse convexe et extremum 5 2.1 Rappel calcul différentiel............................

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

13. EQUATIONS DIFFERENTIELLES LINEAIRES DU SECOND ORDRE A COEFFICIENTS CONSTANTS.

13. EQUATIONS DIFFERENTIELLES LINEAIRES DU SECOND ORDRE A COEFFICIENTS CONSTANTS. 13. EQUATIONS DIFFERENTIELLES LINEAIRES DU SECOND ORDRE A COEFFICIENTS CONSTANTS. 1. DEFINITION Soit l'équation différentielle du second ordre à coefficients constants ay + by + cy = ϕ( x) ( I) a R, b

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

L3 Mathématique pour la physique Examen final 4 janvier 2011 : CORRIGE

L3 Mathématique pour la physique Examen final 4 janvier 2011 : CORRIGE Université Joseph Fourier L3 Physique Julia Meyer julia.meyer@ujf-grenoble.fr L3 Mathématique pour la physique Examen final 4 janvier 20 : CORRIGE Modalités : Notes de cours et TDs permis. NOTE IMPORTANTE

Plus en détail

TD7. ENS Cachan M1 Hadamard 2015-2016. Exercice 1 Sous-espaces fermés de C ([0,1]) formé de fonctions régulières.

TD7. ENS Cachan M1 Hadamard 2015-2016. Exercice 1 Sous-espaces fermés de C ([0,1]) formé de fonctions régulières. Analyse fonctionnelle A. Leclaire ENS Cachan M Hadamard 25-26 TD7 Exercice Sous-espaces fermés de C ([,] formé de fonctions régulières. Soit F un sous-espace vectoriel fermé de C ([,] muni de la convergence

Plus en détail

Cours de Mathématiques 2

Cours de Mathématiques 2 Cours de Mathématiques 2 première partie : Analyse 2 DEUG MIAS 1 e année, 2 e semestre. Maximilian F. Hasler Département Scientifique Interfacultaire B.P. 7209 F 97275 SCHOELCHER CEDEX Fax : 0596 72 73

Plus en détail

ETUDE DES E VI V B I RATIO I N O S

ETUDE DES E VI V B I RATIO I N O S ETUDE DES VIBRATIONS 1 Chapitre I - Présentation et définitions 2 Les objectifs à atteindre: 1) Savoir décrire le modèle de l'oscillateur harmonique et savoir l'appliquer à l'étude des systèmes physiques

Plus en détail

COURS DE LICENCE 2 SCIENCES ECONOMIQUES COURS D ANNIE CLARET

COURS DE LICENCE 2 SCIENCES ECONOMIQUES COURS D ANNIE CLARET COURS DE LICENCE 2 SCIENCES ECONOMIQUES COURS D ANNIE CLARET MATHEMATIQUES 3 PRISE DE NOTE PAR : PLASMAN SYLVAIN SERIE 7 ANNEE 2010-2011 1 Sommaire et accès aux chapitres/sous-chapitres Cliquez sur le

Plus en détail

Exercice 1. [Échauffement sur quelques inclusions] 2. Soient p, q [1, ]. Quelle inclusion y a-t-il entre L p et L q? Cette inclusion est-elle

Exercice 1. [Échauffement sur quelques inclusions] 2. Soient p, q [1, ]. Quelle inclusion y a-t-il entre L p et L q? Cette inclusion est-elle ENS de Lyon TD 1 21/09/2015 M1 - Analyse Avancée Exercice 1. [Échauffement sur quelques inclusions] 1. Soient p, q [1, ]. Quelle inclusion y a-t-il entre l p et l q? Cette inclusion est-elle continue?

Plus en détail

TP - Modélisation et optimisation des systèmes complexes

TP - Modélisation et optimisation des systèmes complexes Master Informatique 1ere année (M1) Année 2010-2011 TP - Modélisation et optimisation des systèmes complexes Résolution du problème d'aectation généralisé par relaxation lagrangienne 1 Introduction Le

Plus en détail

Autour de Perron, Frobenius et Markov

Autour de Perron, Frobenius et Markov Université Claude Bernard Lyon 1-2007/2008 Préparation Capes - Algèbre et Géométrie - Devoir à rendre le 12 février 2008 - Autour de Perron Frobenius et Markov Rappels et notations On note M mn (K) le

Plus en détail

LICENCE DE MATHÉMATIQUES FONDAMENTALES. D. Azé

LICENCE DE MATHÉMATIQUES FONDAMENTALES. D. Azé LICENCE DE MATHÉMATIQUES FONDAMENTALES Calcul Différentiel et Équations Différentielles D. Azé Université Paul Sabatier Toulouse 2008 Table des matières 1 Généralités sur les espaces normés 3 1.1 Espaces

Plus en détail

EMLYON 2015 S. Éléments de correction

EMLYON 2015 S. Éléments de correction EMLYON 15 S Éléments de correction ECS Lycée La ruyère, Versailles Année 1/15 Premier problème Première partie 1. On peut vérifier le critère de sous-espace vectoriel E et, pour P 1, P E et λ R, λp 1 +

Plus en détail

Cours d Analyse Semestre 1. Stéphane Attal

Cours d Analyse Semestre 1. Stéphane Attal Cours d Analyse Semestre 1 Stéphane Attal 2 Contents 1 Les nombres réels 5 1.1 Les ensembles usuels de nombres................ 5 1.2 Ensembles ordonnés........................ 6 1.3 Le corps des nombres

Plus en détail

Mathématiques des modèles multi-échelles. Frédéric Legoll et Mathieu Lewin

Mathématiques des modèles multi-échelles. Frédéric Legoll et Mathieu Lewin Mathématiques des modèles multi-échelles Frédéric Legoll et Mathieu Lewin Mars 213 Table des matières Introduction v 1 Rappels et compléments d analyse 1 1.1 Applications linéaires...........................

Plus en détail

Prenom Nom. 3 Fonctions convexes. 3.1 Définition

Prenom Nom. 3 Fonctions convexes. 3.1 Définition 3 Fonctions convexes 3.1 Définition The fundamental idea to be understood is that the convex functions on R n can be identified with certain convex subsets of R n+1 (their epigraphs), while the convex

Plus en détail

Arrêt optimal et optimisation de la maintenance

Arrêt optimal et optimisation de la maintenance Benoîte de Saporta CQFD - Contrôle de Qualité et Fiabilité Dynamique 22 septembre 2011 Benoîte de Saporta 1/34 Plan 1 Un problème de maintenance 2 Modélisation mathématique 3 Stratégie de résolution 4

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour L / Recueil d exercices corrigés et aide-mémoire USTV M Analyse numérique G FACCANONI Dernière mise-à-jour Jeudi mai Avertissement : ces notes sont régulièrement mises à jour et corrigées, ne vous étonnez

Plus en détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde partie 1/3 partie 2/3 partie 3/3 Sommaire 1 Ensemble

Plus en détail

Tests d hypothèses restreintes

Tests d hypothèses restreintes Tests d hypothèses restreintes Céline Delmas & Jean-Louis Foulley Station de Génétique Quantitative et Appliquée I.N.R.A., Domaine de Vilvert 7835 Jouy-en-Josas Cedex {delmas,foulley}@dga.jouy.inra.fr

Plus en détail

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal.

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal. Processus de Poisson 3-602-84 Modèles probabilistes et stochastiques de la gestion Geneviève Gauthier HEC Montréal Automne 2007 1 Références Ce texte a été librement inspiré de notes prises au cours de

Plus en détail

Mathématiques Financières Exercices

Mathématiques Financières Exercices Mathématiques Financières Exercices Licence 2, 2015-16 - Université Paris 8 J.CORIS & C.FISCHLER & S.GOUTTE 1 TD 6 : Emprunts et Tableaux damortissements Une société a un besoin de financement de 10000

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Master de Mathématiques M1 Analyse fonctionnelle Examen du 16 juin 2011 1 - durée : 3h

Master de Mathématiques M1 Analyse fonctionnelle Examen du 16 juin 2011 1 - durée : 3h Master de Mathématiques M1 Analyse fonctionnelle Examen du 16 juin 2011 1 - durée : 3h - Le seul document autorisé est un résumé manuscrit du cours de trois pages maximum. - Les téléphones portables et

Plus en détail

Actions propres de produits en couronne

Actions propres de produits en couronne Actions propres de produits en couronne Yves Stalder Université Blaise Pascal Vannes, le 18 avril 2008 Yves Stalder (Université Blaise Pascal) Actions propres de produits en couronne Vannes, le 18 avril

Plus en détail

Quelques Remarques sur les Opérateurs et les q-algèbres de Banach

Quelques Remarques sur les Opérateurs et les q-algèbres de Banach E extracta mathematicae Vol. 19, Núm. 2, 233 241 (2004) Quelques Remarques sur les Opérateurs et les q-algèbres de Banach R. El Harti Département de Mathématiques, Faculté des Sciences et Techniques Université

Plus en détail

Plan du cours. Espaces métriques. Espaces vectoriels normés

Plan du cours. Espaces métriques. Espaces vectoriels normés L3 Maths, 1 er semestre 20112012 Espaces métriques Plan du cours On suppose connues les propriétés élémentaires des nombres réels et des espaces vectoriels et, uniquement pour les exemples, quelques propriétés

Plus en détail

Les paraboles. x ax 2 + bx + c.

Les paraboles. x ax 2 + bx + c. 1ES Résumé du cours sur le second degré. Les paraboles. On appelle fonction du second degré une fonction de la forme x ax 2 + bx + c. Bien sûr a doit être différent de 0 sinon ce n est pas une fonction

Plus en détail