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

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

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

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

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

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 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

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 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Événements et probabilités, probabilité conditionnelle et indépendance

Événements et probabilités, probabilité conditionnelle et indépendance Chapitre 1 Événements et probabilités, probabilité conditionnelle et indépendance On cherche ici à proposer un cadre mathématique dans lequel on puisse parler sans ambiguité de la probabilité qu un événement

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

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

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

Calculs de probabilités

Calculs de probabilités Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile

Plus en détail

Variables Aléatoires. Chapitre 2

Variables Aléatoires. Chapitre 2 Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,

Plus en détail

Les attitudes par rapport au risque

Les attitudes par rapport au risque Chapitre 2 Les attitudes par rapport au risque Les actions de la vie ne souffrent souvent aucun délai, c est une vérité très certaine que, lorsqu il n est pas en notre pouvoir de discerner les plus vraies

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

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

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

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

Probabilités conditionnelles Exercices corrigés

Probabilités conditionnelles Exercices corrigés Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.

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

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

Thèse ATTITUDE FACE AU RISQUE ET CHOIX D ASSURANCE : THEORIE ET EXPERIENCES

Thèse ATTITUDE FACE AU RISQUE ET CHOIX D ASSURANCE : THEORIE ET EXPERIENCES UNIVERSITE LOUIS PASTEUR - STRASBOURG 1 Faculté de Sciences Economiques et de Gestion de Strasbourg Thèse de Doctorat de Sciences Economiques ATTITUDE FACE AU RISQUE ET CHOIX D ASSURANCE : THEORIE ET EXPERIENCES

Plus en détail

JOHANNA ETNER, MEGLENA JELEVA

JOHANNA ETNER, MEGLENA JELEVA OPENBOOK LICENCE / BACHELOR Micro économie JOHANNA ETNER, MEGLENA JELEVA Sommaire Remerciements... Introduction... V VII Chapitre 1 Demande et offre sur le marché... 1 Chapitre 2 Technologie de production...

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

L assurance une toute petite introduction à l assurance 2008/2009 Arthur Charpentier http://blogperso.univ-rennes1.fr/arthur.charpentier/index.

L assurance une toute petite introduction à l assurance 2008/2009 Arthur Charpentier http://blogperso.univ-rennes1.fr/arthur.charpentier/index. L assurance une toute petite introduction à l assurance 2008/2009 http://blogperso.univ-rennes1.fr/arthur.charpentier/index.php/ L assurance «The contribution of the many to the misfortune of the few»

Plus en détail

Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010

Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices sur le chapitre «Probabilités» Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de

Plus en détail

EQUILIBRES DU MARCHE FINANCIER. Mutualisation des risques Risque agrégé & individuel

EQUILIBRES DU MARCHE FINANCIER. Mutualisation des risques Risque agrégé & individuel EQUILIBRES DU MARCHE FINANCIER Mutualisation des risques Risque agrégé & individuel Plan du cours Préambule : le rôle du marché financier I II III IV Le modèle d Arrow Le modèle de Radner Le CAPM Le modèle

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Mathématiques financières

Mathématiques financières Mathématiques financières Arnaud Triay Table des matières 1 Introduction Position du problème.1 Pricing des options........................................... Formalisme..............................................

Plus en détail

Probabilités. C. Charignon. I Cours 3

Probabilités. C. Charignon. I Cours 3 Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

2. Probabilité. 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance. http://statwww.epfl.ch

2. Probabilité. 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance. http://statwww.epfl.ch 2. Probabilité 2.1: Espaces de probabilité 2.2: Probabilité conditionelle 2.3: Indépendance Probabilité et Statistiques I Chapître 2 1 2.1 Espaces de Probabilité Contenu Exemples élémentaires de probabilité,

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

L effet joint de l auto-protection et de l auto-assurance en santé

L effet joint de l auto-protection et de l auto-assurance en santé L effet joint de l auto-protection et de l auto-assurance en santé Fabrice YAFIL CERESUR, Université de la Réunion, Faculté de Droit et d Economie, 5 avenue René Cassin, BP 75, 9775 Saint Denis Cedex 9,

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

ECO L1 - - Qu est-ce que l économie? modèles micro et macroéconomiques. ECO L1 - Université de Tours, Arnold Chassagnon, Septembre 2013

ECO L1 - - Qu est-ce que l économie? modèles micro et macroéconomiques. ECO L1 - Université de Tours, Arnold Chassagnon, Septembre 2013 ECO L1 - - Qu est-ce que l économie? modèles micro et macroéconomiques - ECO L1 - Université de Tours, Arnold Chassagnon, Septembre 2013 PLAN DE LA CONFERENCE Introduction à l Analyse économique - Maximisation

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Introduction à la Topologie

Introduction à la Topologie Introduction à la Topologie Licence de Mathématiques Université de Rennes 1 Francis Nier Dragoş Iftimie 2 3 Introduction Ce cours s adresse à des étudiants de Licence en mathématiques. Il a pour objectif

Plus en détail

L Assurance. L Assurance

L Assurance. L Assurance L Assurance Benjamin Leroy et Sébastien Vidal L Assurance Définition et Historique Assurance directe et privée Assurance indirecte et Assurance sociale Mutuelle Fondement économique de l assurance 2 Définition

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2 Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

Feuille d exercices 2 : Espaces probabilisés

Feuille d exercices 2 : Espaces probabilisés Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un

Plus en détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 4 (7 points ) (Commun à tous les candidats) EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction du Baccalauréat S Amérique du Nord mai 2007 Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n

Plus en détail

Le théorème des deux fonds et la gestion indicielle

Le théorème des deux fonds et la gestion indicielle Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par

Plus en détail

CONCOURS 2015 Programme des classes préparatoires

CONCOURS 2015 Programme des classes préparatoires CONCOURS 2015 Programme des classes préparatoires Voie économique et commerciale option scientifique option économique option technologique Voie littéraire Filière B/L Lettres et Sciences Sociales Filière

Plus en détail

Chapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :

Chapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de : Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la

Plus en détail

CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel

CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne

Plus en détail

Apllication au calcul financier

Apllication au calcul financier Apllication au calcul financier Hervé Hocquard Université de Bordeaux, France 1 er novembre 2011 Intérêts Généralités L intérêt est la rémunération du placement d argent. Il dépend : du taux d intérêts

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur

Plus en détail

COURS DE THEORIE DES JEUX. En collaboration avec

COURS DE THEORIE DES JEUX. En collaboration avec 1 COURS DE THEORIE DES JEUX Shmuel ZAMIR CNRS, EUREQua Paris 1 et LEI/CREST En collaboration avec Rida LARAKI CNRS, Laboratoire d Econométrie de l Ecole Polytechnique Les auteurs tiennent à remercier Thomas

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Chapitre 7 Solutions des exercices de révision

Chapitre 7 Solutions des exercices de révision Chapitre 7 Solutions des exercices de révision Section 7.2 La construction du réseau 1. Construction du réseau représentant un projet. La figure de gauche ci-dessous donne un réseau qui représente le projet

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

Plus en détail

I3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300

I3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300 I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,

Plus en détail