Réassurance et valeurs extrêmes
|
|
- Sylvie Gascon
- il y a 7 ans
- Total affichages :
Transcription
1 MASTER ISIFAR 2ème Année Année universitaire Réassurance et valeurs extrêmes Philippe Soulier Objectif L objectif du cours est l étude statistique de quantités d intérêt pour la réassurance. La réassurance ayant pour but la couverture des sinistres de très grand coût, la théorie statistique utile est la théorie des valeurs extrêmes. Ces notes présentent un bref rappel des éléments essentiels de la théorie des valeurs extrêmes univariées et des méthodes statistiques pour des observations i.i.d. 2 Lois de valeurs extrêmes univariées Définition Soit F une fonction de répartition sur R. On dit que F appartient au domaine d attraction du maximum d une loi G si il existe des suites a n et b n telles que F n b n + a n x = Gx, en tout point de continuité de la loi ite G, ou encore P max i n X i b n x = Gx pour une suite de variables i.i.d. de loi F. a n Caractérisation des lois ites possibles Les lois ites possibles sont les lois de valeurs extrêmes généralisées GEV G γ,µ,σ, γ, µ R, σ > 0, définies par G γ,µ,σ x = exp{ + γx µ/σ /γ }, si γ 0, G 0 x = e e x µ/σ, définies pour x tel que + γx µ/σ > 0. On note G γ = G γ,0, et la loi G 0 est appelée loi de Gumbel. Si X suit la loi G γ,µ,σ, alors X µ/σ suit la loi G γ. Les lois de valeurs extrêmes sont aussi les lois max-stables. Soit G une fonction de répartition telle qu il existe des suites {a n } et {b n } vérifiant pour tout x, alors G est une loi GEV. G n b n + a n x = Gx
2 Caractérisation des domaines d attraction Soit F une fonction de répartition. On dit que F est dans le domaine d attraction du maximum de la loi G γ, noté F MDAG γ si a lieu avec G = G γ. Soit U la fonction croissante définie sur [, [ par Ut = F /t = t. F Alors F est dans le domaine d attraction de la loi G γ si et seulement si il existe une fonction ψ telle que où t = sup{t R, F t < } et h γ x = Utx Ut = h γ x 2 t t ψ Ut x t γ dt = { t γ γ si γ 0, logt si γ = 0. La fonction ψ est appelée fonction auxiliaire et est définie à équivalence asymptotique près, i.e. si ψ vérifie t ψt/ ψt =, alors on peut remplacer ψ par ψ dans 2. Les suites normalisantes de la condition peuvent être choisies de la façon suivante : b n = Un, a n = ψb n = ψ Un. On distingue les trois domaines γ < 0, γ = 0 et γ > 0. Cas γ > 0. Le support de la loi F est non borné, i.e. t =. La fonction F est alors à variation régulière d indice /γ à l infini et la fonction U est à variation régulière d indice γ à l infini. On peut choisir pour fonction auxiliaire ψx = γx. Cas γ = 0. Le support de la loi F peut-être borné ou non borné. Dans le cas t = loi non bornée, la fonction auxiliaire ψx vérifie x ψx/x = 0 et si F est dérivable, on peut choisir ψ = F /F. Cas γ < 0. Ce cas est ramené au cas γ > 0 car une variable X est dans le domaine d attraction de la loi G γ si et seulement si le support de la loi de X est borné, i.e. t < et t X est dans le domaine d attraction de la loi G γ. Lois de Pareto généralisées La condition est équivalente à la convergence des excès conditionnels qui peut s exprimer de façon équivalente par l une ou l autre des ites suivantes γx, t t 3 γx. 4 La fonction log G γ x est une fonction de répartition. Pour µ R et σ > 0, on définit la loi de Pareto généralisée P γ,µ,σ par P γ,µ,σ x = log G γ x µ/σ 2
3 Convergence des moments Si γ 0 et p < /γ, E[X x p X > x] x ψx p = Pour 0 γ < et p =, on a = x p d{ log G γ x} = p 0 0 { p! si γ = 0, p 0 x p + γx /γ dx si γ > 0. x p { log G γ x} dx E[X x X > x] = x ψx γ. 5 Statistiques d ordre Soit X,..., X n des variables aléatoires i.i.d. de loi F. Les statistiques d ordre de l échantillon, notées X n:,..., X n:n, sont les observations ordonnées en croissant. Si F appartient au domaine d attraction d une loi de valeurs extrêmes G γ, alors on peut étudier le comportement asymptotique de la k-ème plus grande observation X n:n k+ dans le cas où k est fixe et dans le cas où k pas trop vite. Pour tout entier k fixé, PX n:n k+ Un + ψ Unx = +γx /γ u k e u du k! 0 Si k n est une suite croissante d entiers telle que k n et k n /n 0 une telle suite est appelée suite intermédiaire, alors X n:n kn Un/k n ψ Un/k n 0, la convergence ayant lieu en probabilité. Exemples La loi exponentielle appartient au domaine d attraction de la loi de Gumbel. On le prouve en utilisant la caractérisation 3, car on a pour tout t, x > 0 PX > t + x X > t = e x. La ite 3 est donc une égalité stricte pour tout t. C est la propriété caractéristique de la loi exponentielle. la fonction auxiliaire est donc ψ. La loi normale centrée réduite est dans le domaine d attraction de la loi de Gumbel. On peut choisir pour fonction auxiliaire ψx = /x. 3
4 Loi de Pareto. Une variable aléatoire positive X est dite de type Pareto si sa fonction de survie F x = PX > x est de la forme t F tx F t = x α pour un α > 0 et pour tout x > 0. On dit que F est à variation régulière à l infini d indice α. Le réel α est appelé l indice de Pareto ou de queue de la loi de X, et X est dans le domaine d attraction de la loi G γ avec γ = /α > 0. Il suffit de vérifier 3 en choisissant pou fonction auxiliaire ψx = γx : t F t + tx F t = + γx /γ. Loi uniforme. La loi uniforme sur [0, ] est dans le domaine d attraction de la loi G. On peut calculer directement P n{ max U i } x = e x i n pour tout x < 0. Soit P max U i /n + x/n i n = G x. On a donc la ite avec a n = /n et b n = /n. On peut aussi voir que 5 U est une loi de type Pareto d indice. 3 Estimation 3. Estimation de l indice des valeurs extrêmes Méthode du maximum de vraisemblance Soit X,..., X n sont des observations i.i.d. de la loi G γ,µ,σ. Si γ 0, la log-vraisemblance est n l n γ, µ, σ = n log σ γ + log + γ X i µ n + γ X i µ /γ. σ σ Pour γ = 0, la log-vraisemblance est l n 0, µ, σ = n log σ i= n exp X i µ/σ i= i= n X i µ/σ. L estimateur du maximum de vraisemblance maximise l. Il est toujours bien défini si γ > et asymptotitiquement normal si γ > /2. Si les observations Y,..., Y n sont issues d une loi F MDAG γ, on les regroupe par blocs de taille k et on définit m = [n/k] et des pseudo-observations X,, X m par X i = max j k Y i k+j, i m. On peut alors appliquer la procédure du maximum de vraisemblance aux pseudo-observations Y i. 4 i=
5 Méthode des excès Etant données n observations i.i.d. de la loi F MDAG γ, cette méthode dite méthode POT peaks over threshold consiste à ne conserver que les observations dépassant un certain seuil threshold, soit déterministe et le nombre d observation conservées est aléatoire, soit une statistique d ordre X n:n k et le nombre d observations conservées est k. Pour ces observations, on utilise la ite 3 qui justifie l approximation pour x grand et y > x, PX > y PX > x + γy x/σ /γ 6 avec σ = ψx. La loi des observations plus grande que x étant précisément la loi conditionnelle sachant X > x, on applique la méthode du maximum de vraisemblance à ces observations considérées comme suivant la loi de Pareto généralisée P γ,x,σ. Si l on a choisit le seuil X n:n k les observations sont donc Y j = X n:n j+ X n:n k, j k. La log-vraisemblance est donc k lγ, σ = k log σ γ + log + γy j σ j= l0, σ = k log σ k Y j. σ On obtient un estimateur de γ en maximisant la log-vraisemblance. j=, γ 0, Estimateur de Hill Si γ > 0, on définit un estimateur de γ par ˆγ Hill = k k log X n:n j+ log X n:n k. j= Cet estimateur est consistant pour toute suite intermediaire k, et asymptotiquement normal si l on peut convenablement choisir la suite k, en fonction de conditions dites du second ordre. 3.2 Estimation de quantiles extrêmes Soit p ]0, [. Le quantile xp d ordre p est défini par F xp = p. Si p est très petit par rapport au nombre d observations, i.e. p /n, une estimation empirique est impossible. Un modèle semi-paramétrique est nécessaire. Ceci signifie que l on va modéliser la queue de distribution par une loi de valeurs extrêmes, tandis que des probabilités non extrêmes seront estimées empiriquement, soit avec la fonction de répartition empirique F n définie par F n x = n n {Xi x}. 7 i= 5
6 Si la loi des observations est dans le domaine d attraction d une loi de valeurs extrêmes, on peut utiliser la méthode des excès. On utilise l approximation 6 p = PX > xp + γy x/σ /γ PX > x. 8 On estime les paramètres γ et σ de la loi de Pareto généralisée avec les plus grandes observations, et pour un seuil x choisi en fonction des observations et donc aléatoire x = X n:n k, on estime la probabilité de dépassement du seuil par PX > x = F n X n:n k = k n. Pour des estimateurs ˆγ et ˆσ de γ et σ, l estimateur du quantil extrême ˆxp est caractérisé par p = k n + ˆγˆxp X n:n k/ˆσ /ˆγ, soit ˆxp = X n:n k + ˆσˆγ { } k/npˆγ. Dans le cas γ > 0, on peut choisir ψx = γx. On prend donc ˆσ = ˆγX n:n k et ˆxp = X k/npˆγ n:n k. Si l on a accepté l hypothèse γ = 0, on a l estimateur du quantile ˆxp = X n:n k + ˆσ logk/np. 3.3 Estimation de la prime nette En réassurance une quantité d intérêt est la prime nette, c est-à-dire la fonction ΠR = exp[x R + ] = E[X R X > R]PX > R, où x + = maxx, 0. Si la loi F des sinistres appartient au domaine d attraction d une loi de valeurs extrêmes, Pour R grand et 0 γ <, la relation 5 suggère l approximation ΠR ψr PX > R. 9 γ Si F MDAG γ avec γ > 0, on a ψr = γr. On choisit pour seuil R = X n:n k, on estime la probabilité PX > R empiriquement comme en 8 et on remplace γ par un estimateur ˆγ dans 9. On obtient alors un estimateur de la prime nette pour R = X n:n k défini par ΠX n:n k = ˆγ ˆγ k n X n:n k. 6
7 3.4 Lois de type Weibull Le domaine d attraction de la loi de Gumbel est très vaste et l approximation peut-être très mauvaise. Pour obtenir de meilleures approximations, on peut se restreindre aux lois de type Weibull. Une fonction de répartition F est dite de type Weibull si F x = e cxβ +ox β, c, β > 0. Le paramètre β est appelé paramètre de forme. Une loi de type Weibull est dans le domaine d attraction de la loi de Gumbel avec pour fonction auxiliaire Un estimateur de β est donné par ψx = cβ x β. ˆβ = k i= {log X n:n i+ log X n:n k } k i= {log logn/i log logn/k + } L estimateur ˆβ est consistant pour toute suite intermédiaire, et asymptotiquement normal si l on peut convenablement choisir la suite k, en fonction de conditions dites du second ordre. Les quantiles extrêmes d ordre /n sont estimés par log/p / ˆβ ˆxp = X n:n k logn/k. 4 Cas de dépendance temporelle Soit X,..., X n,... une suite de variables de même loi F MDAG γ. Si les variables sont de plus indépendantes, il existe des suites a n et b n telles que max i n X i b n /a n converge vers la loi G γ. Que peut-on dire si les observations ne sont pas indépendantes? Dans certains cas, il existe un réel θ ]0, ] appelé indice extrémal de la suite {X i } tel que max i n X i b n /a n converge vers la loi G θ γ, i.e. P max X i b n + a n x = G θ γx. i n Si θ =, la dépendance temporelle ne modifie pas le comportement asymptotique du maximum. Si θ <, la dépendance implique des différences par rapport au cas i.i.d. Par exemple, pour obtenir une approximation des quantiles extrêmes, on doit tenir alors compte de la dépendance. Soit xp le quantile d ordre p de G γ, i.e. G γ xp = p. On a alors l approximation P max X i b n + a n xp G θ γxp = p θ > p. i n Le quantile approché x θ p de max i n X i est donc inférieur à xp. 7
8 Exemple Soit Y i une suite i.i.d. de loi F MDAG γ et soit X i = maxy i, Y i+. Alors l indice extrémal de la suite {X i } est /2. 5 Lois de valeurs extrêmes multivariées Soit X,..., X d un vecteur aléatoire de loi F. On dit que F est dans le domaine d attraction du maximum d une loi de valeurs extrêmes multivariée G si il existe des suites a i b i n, i d telles que P max i n X i b n a n x,..., max i n X d i a i n b i n pour une suite i.i.d. X i,..., X d i de vecteurs aléatoires de loi F. x d = Gx,..., x d, Par transformation marginale, on peut en théorie toujours se ramener au cas où les lois marginales de F sont identiques et dans le domaine d attraction d une loi G γ avec γ > 0. On peut alors caractériser les lois ites multivariées G possibles. Pour simplifier les notations, on se restreint au cas d = 2. n, Théorème Soit F la fonction de répartition bivariée d un couple X, Y de lois marginales égales H MDAG γ avec γ > 0. Soit a n une suite vérifiant npx > a n =. La loi F est dans un domaine d attraction du maximum si et seulement si il existe une mesure ν sur R d + telle que P max i n X i x, max i n Y i y = exp{ ν[[0, x] [0, y] c ]}, a n a n ou de façon équivalente X np > x ou Y > y a n a n et la mesure ν a les propriétés suivantes : P X > tx ou Y > ty = = ν[[0, x] [0, y] c ], t PX > t νa < si A est séparé de 0, 0 t > 0, νta = t /γ νa. Plus généralement, on a, pour tout ensemble A séparé de 0, X, Y np P X, Y ta A = = νa, 2 t PX > t a n Exemples Si X et Y sont indépendantes, alors X np > x ou Y X > y = np > x a n a n a n x /γ + y /γ. Y X + np > y np > x et Y > y a n a n a n 8
9 La mesure ν ind est donc portée par les axes [0, ] {0} et {0} [0, ], c est-à-dire que pour tout A R 2 +, séparé de 0, si l on pose A = A [0, [ {0} et A 2 = A {0} [0, [, ν ind A = x /γ dx + y /γ dy. γ A γ A 2 En particulier, si A ne touche pas les axes, i.e. A = A 2 =, alors ν ind A = 0. Si X = Y comonotonie, alors la mesure ite ν c est portée par la diagonale = {x, y R 2 + x = y} et pour tout A, on a ν c A = y /γ dy. γ A Soit U, V, W trois variables i.i.d. dans le domaine d attraction de la loi G γ et soit Y = U +V et Y = V + W. Alors X, Y est dans le domaine d attraction d une loi bivariée et la mesure ν est caractérisée par ν[0, x] [0, c] c = 2 {x /γ + x y /γ + y /γ }. On en déduit la relation ν = 2 {ν ind + ν c }. Applications Probabilité de défaut simultané. Soit X et Y deux variables aléatoires représentés des risques actifs financiers, coûts de sinistres, etc. On s intérésse à la probabilité de défaut simultané : PX > D et Y > D 2 lorsque les seuils D et D 2 sont grands, ce que l on formalise en considérant des seuils dilatés a n D et a n D 2, avec npx > a n. On a alors npx > a nd et a n Y > D 2 = ν]d, [ ]D 2, [. Il reste donc à calculer ν]d, [ ]D 2, [ dans chacun des trois exemples précédents. Indépendance. On a vu que ν]d, [ ]D 2, [ = 0 et donc npx > a nd et a n Y > D 2 = 0. En première approximation, la probabilité de défault simultané est négligeable devant la probabilité d un seul défaut. Comonotonie. npx > a nd et Y > a n D 2 = ν]d, [ ]D 2, [ = D D 2 α. Cas X = U + V, Y = V + W, U, V, W i.i.d. npx > a nd et Y > a n D 2 = ν]d, [ ]D 2, [ = 2 D D 2 α. Portefeuille. Soit X et Y les coûts unitaires de deux contrats détenus en quantité a et b dans un portefeuille. Le coût total du portefeuille est ax + by. On s intéresse à la probabilité 9
10 que le coût total dépasse un seuil D : PaX + by > D. Soit A = {x, y R 2 + ax + by > }. On a alors npax + by > a nd = D /γ νa. On va déterminer dans les trois exemples précédents la valeur de νa pour quantifier l influence de la dépendance. Indépendance. Comonotonie. Cas X = U + V, Y = V + W, U, V, W i.i.d. ν ind A = a /γ + b /γ. ν c A = a + b /γ. νa = 2 {a/γ + b /γ + a + b /γ }. Prime nette. Si γ <, on peut calculer la prime nette pour un contrat où le réassureur intervient si X + Y dépasse la rétention R, soit ΠR = E[X + Y R + ] = R PX + Y > x dx = R PX + Y > Rt dt En posant A t = {x, y R 2 + x + y > t}, la ite 2 et la propriété d homogénéité permettent l approximation PX + Y > Rt ΠR = RPX > R dt PX > R RPX > R νa t dt = RPX > RνA t /γ RPX > R dt = νa. γ Il reste à calculer νa dans les trois exemples précédents. Indépendance. Comonotonicité. Cas X = U + V, Y = V + W, U, V, W i.i.d. ν ind A = 2. ν c A = 2 /γ. νa = + 2 /γ. La prime est minimale dans le cas de l indépendance et maximale pour la comonotonicité. 0
Amphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailKeywords: Probability of catastrophic events, Bivariate extreme value theory, Heavy tailed distributions, ALS methods.
E Laurence Lescourret & Christian Y. Robert Centre de Recherche en Economie et Statistique LaboratoiredeFinanceetd Assurance 5 Boulevard Gabriel Peri, 92245 Malakoff Résumé: De par leur nature, les événements
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailTIQUE DE FRANCE NILSYSTÈMES D ORDRE 2 ET PARALLÉLÉPIPÈDES
Bulletin de la SOCIÉTÉ MATHÉMATIQUE DE FRANCE NILSYSTÈMES D ORDRE 2 ET PARALLÉLÉPIPÈDES Bernard Host & Alejandro Maass Tome 135 Fascicule 3 2007 SOCIÉTÉ MATHÉMATIQUE DE FRANCE Publié avec le concours du
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailEVALUATION DES RISQUES D EXPOSITION À UN CONTAMINANT ALIMENTAIRE : QUELQUES OUTILS STATISTIQUES.
EVALUATION DES RISQUES D EXPOSITION À UN CONTAMINANT ALIMENTAIRE : QUELQUES OUTILS STATISTIQUES. PATRICE BERTAIL, LABORATOIRE DE STATISTIQUE, CREST A. [Résumé] L objet de cette étude est de présenter et
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailOptimisation 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 détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailEXERCICE 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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailErreur statique. Chapitre 6. 6.1 Définition
Chapitre 6 Erreur statique On considère ici le troisième paramètre de design, soit l erreur statique. L erreur statique est la différence entre l entrée et la sortie d un système lorsque t pour une entrée
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailAnalyse Numérique : SMA-SMI S4 Cours, exercices et examens
Analyse Numérique : SMA-SMI S4 Cours, exercices et examens Boutayeb A, Derouich M, Lamlili M et Boutayeb W. Table des matières Résolution numérique de systèmes linéaires AX = B 5. Méthodes directes de
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailExercices - 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 détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détail