Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de

Dimension: px
Commencer à balayer dès la page:

Download "Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de"

Transcription

1 Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos

2 Introduction Ce que vous avez étudié jusqu à présent: Comment les agents économiques prennent-ils leurs décisions: de consommation, de production, d offre ou de demande de travail... Comment inter-agissent ils sur un marché Analyse de l équilibre offre-demande sur le marché des biens ou du travail. Raisonnement en univers certain: Chacun observe la valeur exact des quantités achetées ou vendues. Chacun connaît les conséquences de ses actions.

3 Introduction En réalité, la plupart des décision économiques se prennent dans un environnement incertain : les agents prennent des décisions dont les conséquences ne sont pas connues avec certitude. Exemple de l assurance: sans incertitude, pas de recours à l assurance inutile de se couvrir contre un risque qui n existe pas. Exemple des décisions d investissement: sans incertitude on choisit toujours l actif qui procure le rendement le plus haut. Exemples des OGM: doit-on autoriser leur mise en circulation? Sont concernés les décideurs publics comme privés. La formalisation des problèmes de choix en incertain est donc fondamentale en économie. Premier approche : la notion de bien contingent de Debreu (1959)

4 Introduction Objectifs du cours 1 Présenter une théorie des choix dans l incertain. 2 Appliquer cette théorie à des choix pour lesquels la notion d incertitude est cruciale: assurance / placements financiers. 3 Introduire les problèmes d informations liés à la présence d incertitude. 4 Introduire une théorie de l équilibre en univers incertain.

5 Plan de la séance : Rappels de décision en incertain Les différentes formes d incertains Introduction au risque, soit l incertain probabilisé Bibliographie: Jean-Louis Cayatte, Microéconomie de l incertitude, De Boeck Octave Jokung, Microéconomie de l incertain, Dunod Mas-Colell, Whinston et Green, Microeconomic Theory, Chapitre 3, Oxford University Press

6 Prise de décision en certain Décision en certain : Le point de départ pour tout problème de décision individuel est un ensemble des alternatives possibles à partir duquel un agent fait ses choix. Pour le moment cet ensemble peut être n importe quoi, noté E. Exemple : décision pour un métier potentiel : E = {étudier le droit, étudier l économie, apprendre à jouer de la guitard}. Dans la théorie du consommateur, E est l ensemble des choix de consommation possible.

7 Relations de préférences : propriétés élémentaires Approche usuelle pour modéliser le comportement pour choix individuel : Les goûts sont résumés par une relation de préférences, qui est sa principale caractéristique. Hypothèse : les agents prennent des décision rationnelles. On note la relation de préférences par. est binaire sur l ensemble des alternatives E et permet ainsi de comparer une paire d alternatives x, y E. On en déduit deux autres relations importantes : La relation de stricte préférence,, définie par x y x y mais pas y x La relation d indifférence,, définie par x y x y et y x

8 Relations de préférences : propriétés élémentaires L hypothèse centrale est que est une relation rationnelle. Cela suppose plusieurs hypothèses : Definition 1 La relation de préférence, est dite rationnelle si elle possède les deux propriétés suivantes : La complétude : pour tout x, y E, il suit que soit x y, soit y x ou les deux. La transitivité : pour tout x, y, z E, si x y et y z alors x z. Remarque : Si une relation est complète elle est aussi Réflexive : pour tout x E x x. Symétrique pour l indifférence : pour tout x, y E, si x y alors y x.

9 Relations de préférences : propriétés élémentaires On représente les préférences par une fonction d utilité. Une fonction U(x) alloue à chaque élément x E une valeur numérique, classant ainsi les éléments de E en accord avec. Definition 2 Une fonction d utilité U : X R est une fonction représentant la relation si (x, y) E, x y U(x) U(y) Elle n a pas d existence concrète, ce qui existe, ce sont les préférences, et la fonction d utilité ne fait que les représenter. D où qu une fonction d utilité n est pas la seule représentation possible de. Pour toute fonction strictement croissante f : R R, V (X) = f(u(x)) représente les mêmes préférences que U. Proposition 1 Une relation de préférence peut être représentée par une fonction d utilité seulement si est rationnelle.

10 Relations de préférences : propriétés élémentaires Axiome 1 (Monotonicité) La relation de préférence est monotone si (x, y) E et y i x i pour tout i {1,..., L} implique y x. Axiome 2 (Convexité) La relation sur E est convexe si pour tout x E l ensemble {y E : y x} est convexe. Autrement dit, si y x et z x alors pour tout λ ]0, 1[, λy + (1 λ)z x. L hypothèse qui assure l existence d une fonction d utilité est que la relation de préférence soit continue. Axiome 3 (Continuité) Pour toutes suites de paires {(x n, y n )} + n=1 telles que xn y n pour tout n, lim n + x n = x et lim n + y n = y, on a x y. Proposition 2 Supposons que la relation de préférence rationnelle soit continue et monotone. Alors il existe une fonction d utilité continue qui représente la relation.

11 Theorie de l espérance d utilité Il est naturel d étendre cette démarche aux problèmes de choix en environnement incertain beaucoup de situations économiques font intervenir de l incertitude. Il nous faut donc développer une théorie plus spécifique.

12 Les différentes formes d incertain On peut résumer une situation d incertitude par 3 éléments: Les états de la nature = situations qui peuvent se produire Les actions réalisables par l agent Les conséquences des actions pour un état de la nature donné Toutes les situations présentant de l incertain ne sont pas également incertaines. On distingue traditionnellement le risque de l incertitude (Knight, 1921) : Risque? Exemple : jeux de poker, risque de maladie génétique; on peut calculer les probabilités des différents évènements aléatoires. Incertitude? Exemple : faut-il ou non autoriser les OGM? : le principe de précaution est un principe de droit mais qui se justifie par certains modèles de théorie de la décision en incertain.

13 Les différentes formes d incertain Deux types d incertitude : on peut éventuellement utiliser des probabilités subjectives, probabilités qu on se fabrique soit même, à partir de sa propre information, observation, expérience... Ces probabilités peuvent s écarter fortement des probabilités objectives. Néanmoins, on pourra utiliser les mêmes raisonnements pour prendre ses décisions que dans les situations risquées. incertitude est totale : la situation est tellement complexe qu on ne peut même pas décrire l ensemble des conséquences possibles des évènements, et encore moins les probabiliser.

14 Prise de décision en incertain : matrice d information On peut résumer une situation d incertitude par 3 éléments: Les états de la nature = situations qui peuvent se produire Les actions réalisable par l agent étudié Les conséquences des actions pour un état de la nature donné

15 Prise de décision en incertain : matrice d information Nous supposerons que: Le décideur connaît tous les états de la nature possibles. Le décideur connaît les conséquences de ses actions dans chaque état de la nature Dans la grande majorité des cas, ces conséquences pourront se ramener à des sommes monétaires. Le décideur connaît est capable d attribuer une probabilité de réalisation à chaque état de la nature Nous sommes dans une situation de risque. Avec ces hypthèses, une situation d incertitude peut-être résumée sous la forme d une matrice d information.

16 Prise de décision en incertain : matrice d information N états de la nature: {s 1, s 2,..., s N } L actions: {a 1, a 2,..., a L} Il y a donc N L conséquences On note c nl la conséquence de l action l l état de la nature n Matrice d information associée: s 1 s 2... s N a 1 c 11 c c N1 a 2 c 12 c c N a L c 1L c 2L... c NL

17 Prise de décision en incertain : matrice d information Exemple: Etats de la nature: accident (acc) / pas d accident (non acc) Actions: s assurer (assur) / ne pas s assurer (non assur) Conséquences (valeur de la voiture dans chacun des cas): non acc + non assur: v non acc + assur: v b acc + non assur: 0 acc + assur: z b accident pas d accident assurance z b v b pas d assurance 0 v Il manque une information pour que le décideur puisse faire son choix (choisir une action): la probabilité d occurence de chaque état de la nature.

18 Prise de décision en incertain : les loteries En univers risqué, on connaît la distribution de probabilité sur les états de la nature (l important n est pas que ce soit la vraie distribution mais que le décideur la croît vraie) On note p n la probabilité d occurence de l état de la nature s n. s 1 s 2... s N p 1 p 2... p N a 1 c 11 c c N1 a 2 c 12 c c N a L c 1L c 2L... c NL

19 Prise de décision en incertain : les loteries Exemple (suite).: La probabilité d avoir un accident est 1/10 accident pas d accident p(acc)=1/10 p(non acc)=9/10 assurance z b v b pas d assurance 0 v Choisir une action consiste à choisir des possibilités de gain auxquelles sont associées des probabilité revient à chosir entre des loteries.

20 Prise de décision en incertain : les loteries Simplifions les notations en considérant une action donnée: ensemble des conséquences est C = (x 1,..., x N ) à laquelle on associe la distribution de probabilité P = (p 1,..., p N ). La loterie correspondante est notée: avec X = [(p 1,..., p N ), (x 1,..., x N )] p n 0 n = 1,..., N et N p n = 1 n=1 Dans ce cas l ensemble des conséquences est dénombrable une loterie X est une variable aléatoire (v.a.) discrète.

21 Prise de décision en incertain : les loteries Une v.a. discrète X est définie par sa loi de probabilité: f(x) = Prob(X = x) et sa fonction de répartition: F (x) = Prob(X x) Nous pouvons calculer son espérance: N E(X) = p 1x p N x N = p nx n n=1 et sa variance: N V(X) = σx 2 = p n(x n E(X)) 2 = E(X 2 ) (E(X)) 2 n=1

22 Prise de décision en incertain : les loteries Dans certaine situation, l ensemble des conséquences n est pas dénombrable. Par exemple cet ensemble peut correspondre à un interval de la droite des réels: [a, b]. Dans ce cas une loterie correspond à une variable aléatoire continue X caractérisée par une fonction de densité de probabilité que nous noterons f(x), avec: b a f(x)dx = 1 ou, de façon équivalente, par une fonction de répartition: F (t) = P(X t) = t a f(x)dx

23 Prise de décision en incertain : les loteries Considérons la loterie X décrite par la fonction de densité f(x), nous pouvons définir: son espérance mathématique: sa variance: V(X) = σ 2 X = b a E(X) = b a xf(x)dx (x E(X)) 2 f(x)dx = E(X 2 ) (E(X)) 2

24 Prise de décision en incertain : les loteries Remarques: Dans le cas dénombrable, une loterie est souvent représentée sous forme d arbre. Les loteries associant une probabilité à chaque élément de l ensemble de conséquences sont appelées des loteries simples. Nous pouvons définir une loterie composée qui est une loterie dont l ensemble des conséquences sont des loteries simples. On notera X = αx 1 + (1 α)x 2 la loterie composée donnant la loterie X 1 avec une probabilité α et X 2 avec une probabilité 1 α. Une loterie composée peut toujours être ramenée à une loterie simple.

25 Prise de décision en incertain : les loteries Exercice 1 (Propriétés des opérateurs espérance et variance) Soit X et Y deux variables aléatoires et a et b deux réels: E(aX + b) = ae(x) + b E(aX + by ) = ae(x) + be(y ) V(aX + b) = a 2 V(X)

26 Prise de décision en incertain : les loteries Question: Comment comparer deux loteries entre elles? Dans le cas où l ensemble des conséquences est consitué de gains monétaires, il existe une réponse intuitive: comparons les gains moyens des différentes loteries.

27 Prise de décision en incertain : l exemple de l assurance Reprenons l exemple précédent: Valeur de la voiture v et probabilité d accident p. En cas d accident la voiture est detruite valeur nulle. L assuré reçoit une indeminité z en échange du paiement d une prime d assurance (z v). La prime d assurance (ou prix de l assurance) est proportionnelle à l indémnité reçue: b = βz. Loterie associée: A = [(p, 1 p), ((1 β)z, v βz)] Remarque: Ici action = choix d un niveau d assurance z [0, v].

28 Prise de décision en incertain : l exemple de l assurance Critére de l espérance de gain l individu choisit z de façon à maximiser: 3 cas possibles: E(A) = p(1 β)z + (1 p)(v βz) = (1 p)v + (p β)z 1 p < β: espérance de richesse decroît avec z z = 0. 2 p > β: espérance de richesse croît avec z z = v. 3 p = β: espérance de richesse indépendante de z z [0, v]. Problèmes: Cas 1 et 2: tout ou rien. Cas 3: indétermination du montant assuré.

29 Prise de décision en incertain : l exemple de l assurance Problèmes (suite): 1 p < β pz < βz: espérance de remboursement inférieur à la prime versée rentable pour l assureur MAIS l individu ne s assure pas... 2 p > β pz > βz: l assureur fait des pertes Il n offrira pas d assurance alors même que l individu souhaite s assurer... 3 p = β pz = βz: l assureur ne fait aucun profit. Si on admet que l assurance coûte c à mettre en oeuvre (salaire de l assureur...) on a pz + c > βz, l assureur fait des pertes On se retrouve dans le cas 2.

30 Prise de décision en incertain : le paradoxe de Saint-Petersbourg Règle du Jeu: On tire à pile ou face et le jeu se poursuit jusqu à ce que pile apparaisse. Au 1 er lancé, le joueur gagne 2 euros, la somme gagnée est doublée à chaque lancé. La valeur de cette loterie en terme d espérance de gain est infinie. Paradoxe: Personne n est prêt à payer une somme d argent importante pour jouer à ce jeu. Pb: Quand on compare deux loteries on ne s interresse pas seulement à leurs gains espérés mais aussi à leur risque.

31 Prise de décision en incertain : les fonctions de Markowitz Qui est Markovitz? Nous avons vu que l espérance de gain n était pas un critère suffisant pour évaluer une loterie. Il faut également prendre en compte le risque associé à cette loterie. Une mesure naturelle du risque associé à une variable aléatoire est sa dispersion Variance de la loterie.

32 Prise de décision en incertain : les fonctions de Markowitz Ainsi, Harry Markowiz propose de mesurer l utilité d une loterie comme une fonction de l espérance de gain et de la variance de cette loterie. Considérons un individu dont la richesse totale (W ) est composé d une partie certaine ω et d une partie aléatoire X: W = ω + X L utilité que l agent retire de sa richesse est donnée par U(W ) = f(e(w ), V(W )) avec E(W ) = ω + E(X) et V(W ) = V(X)

33 Prise de décision en incertain : les fonctions de Markowitz Hypothèse: U(W ) E(W ) > 0 A risque donné, l individu préférera toujours la richesse qui a l espérance de gain la plus élevée.

34 Prise de décision en incertain : les fonctions de Markowitz Plusieurs attitudes vis-à-vis du risque sont possibles : L individu n aime pas le risque, ou est dit risquophobe si: U(W ) V(W ) < 0 L individu est indifférent au risque, ou neutre au risque si: U(W ) V(W ) = 0 L individu aime le risque, ou est dit risquophile si: U(W ) V(W ) > 0

35 Prise de décision en incertain : les fonctions de Markowitz Spécification linéaire: U(W ) = E(W ) kv(w ) ici, k est une mesure directe de l aversion pour le risque de l individu : k > 0: individu risquophobe. k = 0: individu neutre au risque. k < 0: individu risquophile.

36 Prise de décision en incertain : assurance avec une fonction de Markowitz Nous reprenons notre exemple de l assurance avec une fonction d utilité de type Markowitz linéaire: On connaît l espérance E(A), il reste à déterminer la variance: V(A) = p[(1 β)z E(A)] 2 + (1 p)[v βz E(A)] 2 = p(1 p)(v z) 2 L utilité de l individu en fonction de z est donc: u(z) = (1 p)v + (p β)z k p(1 p)(v z) 2

37 Prise de décision en incertain : assurance avec une fonction de Markowitz On se place dans le cas où p < β L assureur fait des bénéfices. Utilité marginale d un euro de couverture en plus: u (z) = p β + 2kp(1 p)(v z) Si k 0 (individu risquophile ou neutre au risque): u/ z < 0 z = 0: pas d assurance possible. Si k > 0 (individu risquophobe): u (z) = 0 z = v β p 2kp(1 p)

38 Prise de décision en incertain : assurance avec une fonction de Markowitz Si les agents sont risquophobes, il peut exister un marché de l assurance. La demande d assurance possède des évolutions de bon sens par rapport aux paramètres du modèle : croissant en la valeur de la voiture v croissant avec le degré d aversion vis à vis du rique k croissant avec la probabilité de sinistre p décroissant avec le montant de la prime β

39 Théorie de l Espérance d Utilité : définition Le concept d espérance d utilité a été introduit par John von Neumann et Oskar Morgenstern en Qui sont von Neumann et Morgenstern? Les préférences (et donc l utilité) se définissent sur des loteries. Définition: Selon la théorie de l espérance d utilité, l utilité d une richesse aléatoire W est égal l espérance mathématique de l utilité de la richesse: U(W ) = E(u(W )) L espérance d utilité de la richesse sera alternativement noté U(W ), E(u(W )) ou parfois Eu(W).

40 Théorie de l Espérance d Utilité : définition Il est important de distinguer : La fonction d utilité espérée U(.) définie sur l ensemble des loteries (et donc sur des richesses aléatoires), souvent dénommé espérance d utilité VNM; La fonction d utilité u(.) (dite élémentaire) définie sur des montants monétaires certains, également áppelés fonctions de Bernouilli ou de VNM.

41 Théorie de l Espérance d Utilité : définition En pratique: Considérons un individu dont la fonction d utilité élémentaires est noté u(.) et considérons la loterie X = [(p 1,..., p n), (x 1,..., x N )]. A chaque élèment de l ensemble de conséquence C = (x 1,..., x N ) on peut associer un niveau d utilité: (u(x 1),..., u(x N )). L espérance d utilité correspond à l espérance mathématique de ces niveaux d utilité: U(X) = p 1u(x 1) p nu(x N ) = N p iu(x i) i=1

42 Théorie de l Espérance d Utilité : définition Espérance d utilité dans le cas continu Prenons un individu dont les préférences sont représentées par la fonction d utilité u(.). Considérons une loterie X représentée par la fonction de densité f sur l ensemble des conséquences [a, b]. La loterie X peut être évaluée par une fonction d utilité espérée U(.) de la forme: U(X) = b a u(x)f(x)dx

43 Théorie de l Espérance d Utilité : définition L espérance d utilité associe une valeur numérique à chaque loterie. Permet de classer les loteries entre elles. Un individu choisira la loterie lui rapportant l utilité espérée la plus forte Il cherchera à maximiser son espérance d utilité.

44 Théorie de l Espérance d Utilité : neutralité vis-à-vis du risque Nous avons vu que l agent neutre vis-à-vis du risque ne s intéresse qu à l espérance de gain (ou rendement) de la loterie. Pour représenter les préférences d un individu neutre au risque il suffit donc de considérer n importe quelle fonction linéaire comme fonction d utilité: u(x) = a.x + b (avec a > 0 et b R). On aura alors: U(W ) = E(u(W )) = a.e(w ) + b

45 Théorie de l Espérance d Utilité : fonctions de Markowitz Considérons une loterie W et une utilité quadratique: u(x) = a.x + b.x 2 L espérance d utilité correspondante est donnée par: E(u(W )) = ae(w ) + be(w 2 ) or E(W 2 ) = V(W ) + E(W ) 2. Ce qui donne: E(u(W )) = ae(w ) + b ( V(W ) + E(W ) 2) On obtient donc une fonction de Markowitz (non linéaire)

46 Théorie de l Espérance d Utilité : exemple de l assurance Reprenons notre exemple de l assurance, dans le nouveau cadre de l espérance d utilité, en considérant un individu dont le fonction d utilité élémentaire est: u(x) = ln(x). La loterie à laquelle fait face l individu reste A = [(p, 1 p), ((1 β)z, v βz)] et l espérance d utilité associée à cette loterie est: U(A) = p. ln((1 β)z) + (1 p). ln(v βz) L individu cherche donc le niveau de z [0, v] qui maximise cette espérance d utilité.

47 Théorie de l Espérance d Utilité : exemple de l assurance Condition de premier ordre: U z (A) = 0 z = p β v Donc, si p < β: z ]0, v[ il existe un marché de l assurance.

48 Théorie de l Espérance d Utilité : le paradoxe de Saint-Petersbourg Considérons un individu caractérisé par la fonction d utilité élémentaire u(x) = x. Quelle somme s est-il prêt à payer pour participer au jeu? Soit X la loterie associée au jeu, on cherche s tel que: u(s) = Eu(X) Exercice 2 Soit la suite dont le nème terme est: u n = q n. La somme de ses N premiers termes s écrit: N n=1 u n = u 0q 1 qn 1 q

Choix de Portefeuille

Choix de Portefeuille Année 2007-2008 Choix de Portefeuille Christophe Boucher Chapitre 1. Théorie de la décision en avenir incertain Critère d espérance d utilité L attitude vis-à-vis du risque Chapitre 2. Rendements et critères

Plus en détail

Attitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014

Attitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations

Plus en détail

Examen blanc assurance et gestion des risques

Examen blanc assurance et gestion des risques Examen blanc assurance et gestion des risques Mickaël Clévenot 17 mars 2014 1 Questions de cours pour tous Question 1) Il sera demandé aux étudiants de rappeler l un des axiomes de la méthodologie développée

Plus en détail

Choix sous incertitude

Choix sous incertitude 1/38 à l analyse microéconomique - Monitorat ENS (2014-2015) Janvier 2015 2/38 Plan du cours 1 2 3 4 5 3/38 Dans les chapitres précédents, hypothèse implicite de situations certaines et d information parfaite

Plus en détail

Décision dans le risque

Décision dans le risque Décision dans le risque Une courte introduction Denis Bouyssou CNRS Paris, France ULB mars 2006 Plan Plan 1 2 3 4 Modélisation Loteries Décision dans le risque/dans l incertain Décision «dans le certain»

Plus en détail

TD : Microéconomie de l incertain. Emmanuel Duguet

TD : Microéconomie de l incertain. Emmanuel Duguet TD : Microéconomie de l incertain Emmanuel Duguet 2011-2012 Sommaire 1 Les loteries 2 2 Production en univers incertain 4 3 Prime de risque 6 3.1 Prime de risque et utilité CRRA.................. 6 3.2

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

Le choix rationnel face au risque

Le choix rationnel face au risque Le choix rationnel face au risque Objectif : comprendre les critères de choix rationnel face au risque Plan : 1- Le risque : 2- Le «paradoxe de Saint-Pétersbourg» 3- Le choix rationnel selon Von Neumann

Plus en détail

Moments des variables aléatoires réelles

Moments 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 détail

B. Prise de décisions en univers incertain. 1. Valeurs espérées

B. Prise de décisions en univers incertain. 1. Valeurs espérées B. Prise de décisions en univers incertain Une grande par*e des choix réalisés par les producteurs et les consommateurs étant réalisés en univers incertain, les agents sont amenés à prendre des décisions

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Partie I Le consommateur et la demande

Partie I Le consommateur et la demande Partie I Le consommateur et la demande Chapitre 1 La fonction d utilité 1 Plan du cours 1. Le consommateur. 2. La notion d utilité. 3. Les courbes d indifférence. 4. L optimum du consommateur. 5. Exercices.

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Simulation centrée individus

Simulation centrée individus Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Chapitre 1: Introduction à la théorie de l équilibre à prix fixes

Chapitre 1: Introduction à la théorie de l équilibre à prix fixes Chapitre 1: Introduction à la théorie de l équilibre à prix fixes L3 Eco-Gestion/ Faculté de Droit, Sciences Economiques et de Gestion Plan 1 Rappels sur l utilité espérée La représentation des événements

Plus en détail

CHAPITRE 5. Stratégies Mixtes

CHAPITRE 5. Stratégies Mixtes CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,

Plus en détail

Lois normales, cours, terminale S

Lois normales, cours, terminale S Lois normales, cours, terminale S F.Gaudon 6 mai 2014 Table des matières 1 Variables centrées et réduites 2 2 Loi normale centrée et réduite 2 3 Loi normale N (µ, σ 2 ) 4 1 1 Variables centrées et réduites

Plus en détail

Modélisation des transports

Modélisation des transports Modélisation des transports Cinzia Cirillo, Eric Cornelis & Philippe TOINT D.E.S. interuniversitaire en gestion des transports Les Modèles de choix discrets Dr. CINZIA CIRILLO Facultés Universitaires Notre-Dame

Plus en détail

Economie de l incertain

Economie de l incertain Economie de l incertain séance du 5 novembre 2005 Exercice Soient deux individus, et 2, avec le même niveau de richesse initiale W 0 = 00, mais avec des fonctions d utilité différentes, respectivement

Plus en détail

SY05 : Outils d aide à la décision

SY05 : Outils d aide à la décision SY05 : Outils d aide à la décision décision stratégique et théorie des jeux Paul HONEINE et Nacima LABADI H201 G212 en collaboration avec Roberto Wolfler Calvo (Université Paris 13) Université de technologie

Plus en détail

Chapitre 3 La demande d assurance et les problèmes d information

Chapitre 3 La demande d assurance et les problèmes d information Chapitre 3 La demande d assurance et les problèmes d information Objectifs du chapitre - Déterminer le partage de risque Pareto-optimal entre un assuré et un assureur. - Considérer l impact des coûts de

Plus en détail

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12 Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

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

Plus en détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

La demande Du consommateur. Contrainte budgétaire Préférences Choix optimal

La demande Du consommateur. Contrainte budgétaire Préférences Choix optimal La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal

Plus en détail

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry

Outils mathématiques pour le datamining. http://www.elseware.fr/univevry Outils mathématiques pour le datamining http://wwwelsewarefr/univevry Géométrie Distance Distance entre parties Matrice de variance/covariance Inertie Minimisation Probabilités Définition Théorème de Bayes

Plus en détail

TD : Equilibre Général. Emmanuel Duguet

TD : Equilibre Général. Emmanuel Duguet TD : Equilibre Général Emmanuel Duguet 2013-2014 Sommaire 1 Les ménages 2 1.1 Consommation et temps de travail................ 2 1.2 Prix et salaire d équilibre..................... 3 2 Equilibre avec

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème. I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous

Plus en détail

Choix en situations de risque et d incertitude. Choix inter-temporels de consommation

Choix en situations de risque et d incertitude. Choix inter-temporels de consommation THEME 7 Choix en situations de risque et d incertitude. Choix inter-temporels de consommation Concepts et définitions essentiels Risque et incertitude Théorie de l utilité espérée Aversion au risque Loterie

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Incertain, Marché financier, M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2015

Incertain, Marché financier, M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2015 Incertain, Marché financier, - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2015 Plan du cours 1. Incertain, actifs financiers et marché financier 2. Les conditions d un marché sans arbitrage

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

le Rôle de l Information M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2012

le Rôle de l Information M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2012 6 le Rôle de l Information - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2012 Plan du cours 1. Probabilités subjectives 2. Arrivée symétrique de l information 3. Information asymétrique

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Outline. Introduction. Structuration d un problème de décision

Outline. Introduction. Structuration d un problème de décision Outline Introduction Structuration d un problème de décision Décision en avenir incertain Incertain strict (non probabilisé) Analyse axiomatique des critères (Milnor) Incertain probabiliste La théorie

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

un environnement économique et politique

un environnement économique et politique Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Mesure quantitative de l information - Chapitre 2 - Information propre et mutuelle Quantité d information propre d un événement Soit A un événement de probabilité P (A)

Plus en détail

Economie de l Incertain et des Incitations

Economie de l Incertain et des Incitations Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Jeux sous forme normale

Jeux sous forme normale CHAPITRE 4 Jeux sous forme normale Dans les problèmes de décision, nous avons relié les choix qui pouvaient être faits par un agent avec les utilités qu il pouvait en dériver. L idée qu un agent rationnel

Plus en détail

Représentations de l incertitude scientifique : pour un Bayésianisme élargi. J.-M. Tallon & J.-C. Vergnaud EUREQua, CNRS-Université Paris I

Représentations de l incertitude scientifique : pour un Bayésianisme élargi. J.-M. Tallon & J.-C. Vergnaud EUREQua, CNRS-Université Paris I Représentations de l incertitude scientifique : pour un Bayésianisme élargi J.-M. Tallon & J.-C. Vergnaud EUREQua, CNRS-Université Paris I Introduction Dans cet exposé: présente de manière critique l approche

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de Terminale ES 2 Table des matières 1 Équations de droites. Second degré 7 1.1 Équation de droite.................................. 7 1.2 Polynôme du second degré..............................

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

Plus en détail

Microéconomie. Objectifs du cours. Méthode de Travail. Incertain et Information. Cours d outillage et de méthode

Microéconomie. Objectifs du cours. Méthode de Travail. Incertain et Information. Cours d outillage et de méthode Microéconomie Incertain et Information Objectifs du cours Cours d outillage et de méthode Vous familiariser avec l utilisation des modèles et méthodes de la microéconomie contemporaine. Vous habituer à

Plus en détail

3. Caractéristiques et fonctions d une v.a.

3. 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 détail

Principes de Finance

Principes de Finance Principes de Finance 13. Théorie des options II Daniel Andrei Semestre de printemps 2011 Principes de Finance 13. Théorie des options II Printemps 2011 1 / 34 Plan I Stratégie de réplication dynamique

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT

Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Cours de Probabilités et statistiques L1 2011-2012 Maths-PC-SVT Université d Avignon Fichier dispo sur http://fredericnaud.perso.sfr.fr/ Une étude statistique dans la population montre que le Q.I. est

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

COURS DE MATHEMATIQUES TERMINALE STG

COURS DE MATHEMATIQUES TERMINALE STG COURS DE MATHEMATIQUES TERMINALE STG Chapitre 1. TAUX D EVOLUTION... 5 1. TAUX D EVOLUTION ET COEFFICIENTS MULTIPLICATEURS... 5 a. Taux d évolution... 5 b. Coefficient multiplicateur... 5 c. Calcul d une

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...

Probabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie... 1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................

Plus en détail

Table des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...

Table des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement... III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Obligation : transfert dans le temps

Obligation : transfert dans le temps Obligation : transfert dans le temps Dans ce premier chapitre nous introduirons les principales notions concernant les obligations. Les principes élémentaires de la notion d arbitrage y sont décrits. Une

Plus en détail

BACCALAUREAT GENERAL

BACCALAUREAT GENERAL ACCALAUREAT GENERAL Session 2009 MATHÉMATIQUES - Série ES - Enseignement de Spécialité Liban EXERCICE 1 1) 2) C 3) C 4) A Explication 1. Chacun des logarithmes existe si et seulement si x > 4 et x > 2

Plus en détail

ENSAE, 1A Maths. Roland Rathelot roland.rathelot@ensae.fr. Septembre 2010

ENSAE, 1A Maths. Roland Rathelot roland.rathelot@ensae.fr. Septembre 2010 Initiation à l économie ENSAE, 1A Maths Roland Rathelot roland.rathelot@ensae.fr Septembre 2010 Les ménages (2/2) La consommation agrégée des ménages : analyse macroéconomique Les ménages (2/2) La consommation

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux 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 détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé.

Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013. Calculatrice autorisée - Aucun document n'est autorisé. TES Spé Maths Eléments de correction du Bac Blanc n 2 de Mathématiquesdu Lundi 8 Avril2013 Calculatrice autorisée - Aucun document n'est autorisé. Vous apporterez un grand soin à la présentation et à la

Plus en détail

Chapitre 2 L actualisation... 21

Chapitre 2 L actualisation... 21 III Table des matières Avant-propos Remerciements.... Les auteurs... XI XII Chapitre 1 L intérêt.... 1 1. Mise en situation.... 1 2. Concept d intérêt... 1 2.1. L unité de temps... 2 2.2. Le taux d intérêt...

Plus en détail

Jean-Louis CAYATTE jlcayatte@free.fr http://jlcayatte.free.fr/

Jean-Louis CAYATTE jlcayatte@free.fr http://jlcayatte.free.fr/ Chapitre 14 Marché du travail avec salaire négocié Supposer que le salaire est négocié entre l employeur et le salarié, c est remplacer l équation w( t) = w par une équation de détermination de ce salaire

Plus en détail

Majeure d informatique

Majeure d informatique Nicolas Sendrier Majeure d informatique Introduction la théorie de l information Cours n 1 Une mesure de l information Espace probabilisé discret L alphabet est X (fini en pratique) Variable aléatoire

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

THEORIE FINANCIERE Préparation à l'examen

THEORIE FINANCIERE Préparation à l'examen THEORIE FINANCIERE Préparation à l'examen N.B. : Il faut toujours justifier sa réponse. 1. Qu'est-ce que l'axiomatique de Von Neumann et Morgenstern? La représentation des préférences des investisseurs

Plus en détail

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand

Plus en détail

Notes de cours de Mathématiques en première ES/L

Notes de cours de Mathématiques en première ES/L Notes de cours de Mathématiques en première ES/L O. Lader 1 Table des matières 1 Pourcentages, taux d évolution (4S) 3 1.1 Évolution........................................... 3 2 Fonctions du second degré

Plus en détail

Devoir Surveillé n 5 BTS 2009 groupement B

Devoir Surveillé n 5 BTS 2009 groupement B EXERCICE 1 (12 points) Devoir Surveillé n 5 BTS 2009 groupement B Les trois parties de cet exercice peuvent être traitées de façon indépendante. A. Résolution d une équation différentielle On considère

Plus en détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Economie de l information

Economie de l information 1 Introduction Economie de l information Les méthodes de la microéconomie peuvent être appliquées à tout problème particulier de la vie économique De nombreuses études sont consacrées à des marchés ou

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

MICROSTRUCTURE DES MARCHES FINANCIERS. Comportements stratégiques Production de liquidité

MICROSTRUCTURE DES MARCHES FINANCIERS. Comportements stratégiques Production de liquidité MCROSTRUCTURE DES MARCHES FNANCERS Comportements stratégiques Production de liquidité Plan du cours Préambule : Comportements stratégiques et modèles de stock Le modèle de Ho et Stoll Le modèle de Kyle

Plus en détail

La théorie des jeux et l hypothèse de rationalité

La théorie des jeux et l hypothèse de rationalité La théorie des jeux et l hypothèse de Michael Eisermann www-fourier.ujf-grenoble.fr/ eiserm 8 novembre 2007 ir Séminaire Mathématiques et Applications Dans la série «comment écrire une thèse en maths puis

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Processus aléatoires avec application en finance

Processus aléatoires avec application en finance Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et

Plus en détail

Introduction à l analyse microéconomique Devoir Maison n o 1

Introduction à l analyse microéconomique Devoir Maison n o 1 Introduction à l analyse microéconomique Devoir Maison n o 1 10 novembre 2014 Marianne Tenand Monitorat ENS (2014-2015) marianne.tenand@ens.fr A rendre au plus tard dans mon casier du bâtiment B le mercredi

Plus en détail

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

T.D. 1. Licence 2, 2014 15 - Université Paris 8

T.D. 1. Licence 2, 2014 15 - Université Paris 8 Mathématiques Financières Licence 2, 2014 15 - Université Paris 8 C. FISCHLER & S. GOUTTE T.D. 1 Exercice 1. Pour chacune des suites ci-dessous, répondre aux questions suivantes : Est-ce une suite monotone?

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

A/. La théorie des marchés contingents ( ) ( )

A/. La théorie des marchés contingents ( ) ( ) MICROECONOMIE - 2 ème année de Sciences-Economiques Chapitre IV - Les défaillances du marché V. Les défaillances d'information [13/04/2001] En présence d'informations imparfaites, asymétriques (les agents

Plus en détail

Cours de probabilités Terminale S. Paul Milan

Cours de probabilités Terminale S. Paul Milan DERNIÈRE IMPRESSION LE 27 juillet 2014 Cours de probabilités Terminale S Pour aller plus loin... Paul Milan Table des matières 1 Espace probabilisé 2 1.1 Cas où l univers est fini..........................

Plus en détail

Ch.12 : Loi binomiale

Ch.12 : Loi binomiale 4 e - programme 2007 - mathématiques ch.12 - cours Page 1 sur 5 1 RÉPÉTITION D'EXPÉRIENCES INDÉPENDANTES Lancer plusieurs fois un dé et noter les résultats successifs. Ch.12 : Loi binomiale Prélever des

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Chapitre 8 : Probabilités-Indépendance

Chapitre 8 : Probabilités-Indépendance Cours de mathématiques Terminale S Chapitre 8 : Probabilités-Indépendance Année scolaire 008-009 mise à jour 6 janvier 009 Fig. Andreï Kolmogorov Un précurseur de la formalisation de la théorie des probabilités

Plus en détail

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang 199802 Composition d un portefeuille optimal Dinh Cung Dang Docteur en gestion de l IAE de Paris Ingénieur Conseil Résumé : Dans ce travail, le risque est défini comme étant la probabilité de réaliser

Plus en détail

Théorèmes de Point Fixe et Applications 1

Théorèmes de Point Fixe et Applications 1 Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des

Plus en détail

Information, Incertitude et Choix. Chapitres 36, 12, 13 et plus... Deux cours sur ce sujet.

Information, Incertitude et Choix. Chapitres 36, 12, 13 et plus... Deux cours sur ce sujet. Information, Incertitude et Choix Chapitres 36, 12, 13 et plus... Deux cours sur ce sujet. But de ces deux cours: Analyser comment le modèle de choix avec consommateur rationnel optimisant doit être modi

Plus en détail