TD 3 et 4 : Processus à temps discret et Martingales
|
|
- Georgette Émond
- il y a 7 ans
- Total affichages :
Transcription
1 Université Paris VI Master 1 : Introduction au calcul stochastique pour la finance (MM054) TD 3 et 4 : Processus à temps discret et Martingales 1. Questions basiques sur les filtrations 1. Une union de tribus est-elle toujours une tribu? 2. Soit (F n ) une filtration (suite croissante de tribus) d un ensemble Ω. n N F n est-elle toujours une tribu? 3. Que dire d une martingale (resp. d une sous-martingale, d une sur-martingale) par rapport à une filtration constante (i.e. telle que F n = F 0 pour tout n)? Que dire d un temps d arrêt par rapport à une filtration constante? Solution : 1. Non, si Ω = {1, 2, 3}, alors F = {, Ω, {1}, {2, 3}}, G = {, Ω, {1, 2}, {3}} sont des tribus, mais pas F G car {2} = {2, 3} {1, 2} / F G. 2. Non, si l on prend Ω = [0, 1[, et pour tout n, F n = σ([(i 1)/2 n, i/2 n [ ; i = 1,, 2 n ), alors n N F n est l ensemble des unions finies d intervalles du type [(i 1)/2 n, i/2 n [, avec n 0, i = 1,, 2 n. Cet ensemble n est pas une tribu, sinon, il serait égal à la tribu qu il engendre, et la tribu qu il engendre est l ensemble des boréliens de Ω, par densité des nombres dyiadiques dans Ω. 3. C est une suite p.s. constante (resp. p.s. croissante, décroissante) d éléments de L 1 mesurables par rapport à cette tribu. Un temps d arrêt par rapport à une filtration constante est une v.a. à valeurs dans N mesurable par rapport à cette tribu. 2. Conditionnement et indépendance 1. Soient X et Y deux variables aléatoires indépendantes de lois de Bernoulli de paramètres p, q ]0, 1[. On pose Z = 1 {X+Y =0} et G = σ(z). Calculer E(X G) et E(Y G). 2. Ces deux variables aléatoires sont-elles indépendantes? 3. Soient Z, T des variables aléatoires définies sur un même espace de probabilité (Ω, A, P ) à valeurs dans des espaces mesurables quelconques (Ω, A ), (Ω, A ) telles que pour toute sous-tribu B de A, pour toutes fonctions numériques mesurables bornées f, g définies respectivement sur (Ω, A ), (Ω, A ), E(f(Z) B) et E(g(T ) B) sont indépendantes. Montrer que Z ou T est p.s. constante. Solution : 1. Les ensembles {Z = 0} et {Z = 1} forment une partition de Ω qui engendre G. Ainsi, E(X G) = E (X Z = 0) 1 {Z=0} + E (X Z = 1) 1 {Z=1}. Sur {Z = 0}, X = 0 p.s et donc E(X Z = 0) = 0. De plus, E (X Z = 1) = = = P (X = 1) P (X + Y 1) P (X = 1) 1 P (X + Y = 0) p 1 (1 p)(1 q) = p p + q pq. 1
2 Ainsi, E(X G) = Les rôles de X et Y étant symétriques, E(Y G) = p p + q pq 1 {Z 1}. q p + q pq 1 {Z= 1}. 2. Les variables aléatoires E(X G) et E(Y G) sont donc proportionnelles p.s et non constantes, elles ne sont donc pas indépendantes. 3. Supposons que ni Z, ni T ne soient p.s. constantes. Alors il existe les ensembles mesurables A, B des espaces d arrivée respectifs de Z, T tels que X := 1 A (Z), Y := 1 B (T ) soient des v.a. de loi de Bernouilli de paramètres p, q ]0, 1[. X et Y sont indépendantes (par hypothèse en conditionnant avec la tribu A). Par ce qui précède, l hypothèse est mise en défaut. 3. Rappels : Martingales et sur-martingales. On se place sur une espace de probabilité (Ω, F, P) muni de la filtration F = (F n ) n Soit Y L 1. On définit le processus X = (X n ) n 0 par X n = E(Y F n ). Montrer que X est une F-martingale. 2. Soit (X n ) une sous-martingale et une fonction convexe croissante ϕ : R R telle que pour tout n, ϕ(x n ) L 1. Montrer que (ϕ(x n )) n 0 est une sous-martingale pour F. 3. Soit (X n ) une sous-martingale et K R. Montrer que (X n K) n 0 est une sousmartingale pour F. 4. On suppose que Y L 1 est F N mesurable et on définit Z = (Z n ) n N par Z N = Y et Z n = ξ n E [Z n+1 F n ] pour n N 1 où ξ = (ξ n ) n 0 est F adapté et borné. Montrer que Z est une sur-martingale. 5. Soit (X n ) une martingale et H = (H n ) n 0 un processus F-prévisible borné. On définit V = (V n ) n 0 par V n = n k=1 H k(x k X k 1 ) pour n 0. Montrer que V est une martingale pour F. 6. Montrer qu un processus prévisible intégrable est une martingale ssi il est p.s. constant. 7. Soit (X n ) une martingale L 2 et telle que X n+1 X n est indépendant de F n pour tout n 0. Montrer que W = (W n ) n 0 défini par W n = (X n E [X n ]) 2 Var(X n ) pour n 0 est une martingale. Solution : 1. C est simplement une application de la transitivité de l espérance conditionnelle : si B A sont des tribus, alors pour tout X L 1, E(X B) = E(E(X A) B). 2. On a, pour tout n, E(ϕ(X n+1 ) F n ) ϕ(e(x n+1 F n )) ϕ(x n ) car ϕ est convexe et croissante et (X n ) une sous-martingale. 3. C est une application de la question précédente pour ϕ(x) = x K. 4. a) Z n est clairement adapté et on montre par récurrence décroissante que Z n, supremum de deux fonctions intégrables, est intégrable. b) Pour tout n, Z n E [Z n+1 F n ]. 2
3 5. Tout d abord, comme somme de produit de v.a. F n -mes, V n est F n -mes. Ensuite, V n est clairement L 1 car les H k sont bornés et les X k sont L 1. Enfin, E(V n+1 F n ) = V n + E(H n+1 (X n+1 X n ) F n ) = V n + H n+1 E(X n+1 X n F n ) = V n. 6. Tout processus p.s. constant est une martingale et réciproquement, si H = (H n ) n 0 un processus F-prévisible et une F-martingale, on a pour tout n, p.s. H n = E(H n+1 F n ) = H n Posons Y n = X n E [X n ]. Ce processus satisfait les mêmes hypothèses que X n en étant en plus centré, et l exercice revient à montrer que Z n := Yn 2 E(Yn 2 ) est une martingale. Notons que l on a alors E(Y n+1 Y n ) = E(Yn 2 ) (commencer par conditionner par F n ). Par ailleurs, par indépendance, on a E((Y n+1 Y n ) 2 F n ) = E((Y n+1 Y n ) 2 ). Il en résulte, en écrivant Z n+1 Z n = Y 2 n+1 Y 2 n E(Y 2 n+1)+e(y 2 n ) = (Y n+1 Y n ) 2 +2Y n+1 Y n 2Y 2 n E(Y 2 n+1)+e(y 2 n ), que l on a E(Z n+1 Z n F n ) = Une application du théorème d arrêt. n On considère une suite X n = ξ i, avec (ξ i ) i 1 v.a.i.i.d. de loi 1(δ 2 1+δ 1 ). On introduit i=1 la filtration F n = σ(ξ 1,..., ξ n ). Soit a < 0 < b entiers. On définit T a,b = inf{n 1 ; X n = a ou b}. 1. Que peut-on dire de (X n ) et de T a,b? 2. Montrer que T a,b est presque sûrement fini (on pourra considérer, pour p N, l événement A p = {ξ p(b a)+1 = = ξ p(b a)+(b a) = 1}). 3. Donner la loi de X Ta,b. Solution : 1. Les ξ i étant indépendants et centrés, X n est une martingale par rapport à la filtration F n. T a,b est un temps d arrêt. 2. Les événements A p sont indépendants, de probabilité > 0, donc on est presque sûr que l un d entre eux se produira. Mais pour tout p, sur A p, T a,b p(b a) + (b a). Donc T a,b est presque sûrement fini. 3. Appliquons le théorème d arrêt : on sait que pour tout n N, E(X Ta,b n) = E(X 0 ) = 0. Par convergence dominée, en faisant tendre n vers l infini, par convergence dominée (car pour tout n, a X Ta,b n b), on obtient, comme T a,b est presque sûrement fini : E(X Ta,b ) = 0, soit ap (X Ta,b = a) + bp (X Ta,b = b) = 0, ce qui permet de conclure, avec P (X Ta,b = a) + P (X Ta,b = b) = Martingales exponentielles. On reprend l exercice précédent et on définit le processus Z = (Z n ) n 0 par Z n = e Xn pour n 0. 3
4 1. Montrer que Z est une sous-martingale pour F. 2. Trouver un processus F-prévisible B = (B n ) n 0 issu de 1 en 0 tel que U = (U n ) n 0 défini par U n = B n Z n pour chaque n 0 soit une martingale. 3. Donner E [Z n ] pour tout n 0. Solution : 1. Il suffit de remarquer que exp est croissante et convexe. 2. On a X n+1 = X n + ɛ n, donc E(Z n+1 F n ) = Z n E(e ɛ n+1 F n ) = Z n cosh(1) par indépendance. Donc B n = cosh(1) n convient. 3. E(U n ) est constante égale à un, donc E(Z n ) = 1/B n. 6. Jeu de pile ou face et temps d arrêts. On considère deux joueurs qui jouent à pile ou face. Le joueur 1 donne (resp. reçoit) 1 euro si face apparaît (resp. si pile apparaît). Le jeu est répété plusieurs fois. On modélise le jeux comme suit. Soit X = (X n ) n 1 une suite de variables aléatoires i.i.d. de loi de Bernouilli B(1/2) définie sur un espace de probabilité (Ω, F, P). L évènement {X n = 1} signifie que pile est apparu au n-eme tirage. On définit la suite Y = (Y n ) n 0 par Y n = n i=1 (2X i 1) pour n 0. Le processus Y correspond à la richesse du joueur 1 après les différents tirages. Après chaque tirage, les joueurs connaissent la valeur obtenue aux tirages précédents, leur information peut donc être modélisée par la filtration F = (F n ) n 0 où F n = σ(x k, k n). 1. Ecrire la dynamique de Y (i.e. la relation entre Y n+1 et Y n ) et montrer que c est une martingale pour F. 2. Le joueur 1 décide d arrêter de jouer si il a déjà gagné 100 euros où si le nombre de tirages atteint N N et le joueur 2 est disposé à continuer à jouer jusqu à ce que le joueur 1 s arrête : le jeux s arrête au temps τ := inf{n 0 : Y n = 100} N. Montrer que τ est un F-temps d arrêt, i.e. que {τ n} F n pour tout n Quelle est, avec cette stratégie, l espérance de gain du joueur 1? 4. Y a-t-il une stratégie qui donne au joueur 1 une espérance un gain strictement positive en un temps borné? Autrement dit, existe-t-il une v.a. σ à valeur dans N, bornée, telle que pour tout n, {σ = n} F n et telle que E(Y σ ) > 0? 5. Soit M N et κ = inf{n 0 Y n = M}. κ est-elle bornée p.s.? Solution : 1. Les v.a. X i := 2X i 1 sont indépendantes et centrées, la tribu engendrée par X 1,..., X n est F n, donc Y n est une F-martingale. 2. Pour tout n, {τ n} = Ω F n si n N et {τ n} = {Y 1 100} {Y n 100} F n. 3. L espérance de gain du joueur 1 si le jeu s arrête en τ est E(Y τ ). Or on sait (théorème d arrêt) que (Z n := Y n τ ) n est une martingale. De plus, τ = τ N. Donc E(Y τ ) = E(Z N ) = E(Z 0 ) = Une telle v.a. σ est un temps d arrêt, donc (H n := Y n σ ) n est une martingale, et si K entier est tel que σ K p.s., alors, Y σ = H K p.s., donc E(Y σ ) = E(H K ) = E(H 0 ) = 0. Donc il n existe pas de telle stratégie. 5. Par la question précédente, la réponse est non. 4
5 7. Doubling strategies. On considère un jeu répété avec tirages indépendants et même probabilité de succès que d échec à chaque tirage. A chaque coup, on mise un montant x, que l on remporte si on gagne et que l on paye si on perd. Un joueur, partant de fortune initiale nulle, suit la stratégie suivante. Il joue 1 au premier tour et si sa dette est de D au n ème tirage, il mise un montant 2D au tirage suivant (somme qu il finance par emprunt) et s arrête de jouer la première fois qu il gagne. On suppose que les emprunts sont sans intérêt. On pourra faire comme si les tirages continuent après que le joueur aie arrêté de jouer, mais sa fortune n évolue plus. 1. Modéliser le jeu en introduisant un espace de probabilité muni d une filtration adéquate. Donner l espérance de la fortune du joueur après le n-ème tirage. 2. Montrer que le joueur gagne en un nombre de coups fini avec probabilité 1. Ce nombre est-il presque sûrement borné? Solution : 1. Introduisons une suite (X i ) de vaiid valant ±1 avec probas 1/2, 1/2 représentant les tirages successifs (1 = succès, 1 = échec). Soit τ = min{i/x i = 1}. Alors la fortune du joueur au temps n est (Z n τ ), où Z 0 = 0, Z 1 = X 1 et pour tout n 1, { 3Z n si X n+1 = 1, Z n+1 = Z n sinon. Il faut donc calculer E(Z n τ ). Pour ce faire, on va montrer que (Z n ) est une martingale par rapport à la filtration F n := σ(x 1,..., X n ). Le processus est clairement a dapté, Z n 3 n donc on a intégrabilité, et l égalité de martingale peut se monter en écrivant ou n 1, Z n+1 = Z n (1 2X n+1 ) n 1, Z n+1 = h(z n, X n+1 ) avec h(z, x) = 3z si x < 0 et z si x 0. On en déduit, comme τ est un temps d arrêt, que E(Z n τ ) = E(Z 0 ) = La probabilité que le joueur perde aux coups 1, 2,..., n vaut 2 n. Ces événement sont imbriques les uns dans les autres, donc la probabilité que le joueur perde tout le temps est la limite de cette probabilité, soit 0. Ainsi, le joueur gagne en un nombre de coups fini (égal à τ) avec probabilité 1. τ n est pas presque sûrement borné : sinon, on aurait E(Z τ ) = E(Z 0 ) = 0, ce qui est absurde car Z τ > 0. On peut aussi dire que pour tout n, la proba que τ soit supérieur à n est 2 n > Une réciproque du théorème d arrêt. Soit (X n ) n 0 un processus sur un espace de probabilité filtré (Ω, F, (F n ) n 0, P) intégrable et adapté. Montrer que, si l on a E(X τ ) = E(X 0 ) pour tout temps d arrêt borné τ, alors (X n ) n 0 est une martingale. Solution : On remarque que E(X n ) = E(X 0 ) pour tout n 0. De plus, pour n 0, et A un ensemble F n -mesurable, on considère τ = n1 A + (n + 1)1 A c. Pour tout 0 k n 1, {τ k} = ; {τ n} = A ; et pour tout k n+1, {τ k} = Ω. Donc, τ est un temps d arrêt et il est borné. Donc E(X τ ) = E(X n 1 A ) + E(X n+1 1 A c) = E(X n+1 ) 5
6 ce qui implique que E(X n 1 A ) = E(X n+1 1 A ). Cette égalité étant vérifiée pour tous les ensembles F n -mesurables, on a E(X n+1 F n ) = X n. 6
4. 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 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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
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 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 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 détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
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 détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
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 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 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
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 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* 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 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 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 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 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 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 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 détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en 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 détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en 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 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 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 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 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 détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détailProcessus 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 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
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 détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
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 détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
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 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 détailCryptographie et fonctions à sens unique
Cryptographie et fonctions à sens unique Pierre Rouchon Centre Automatique et Systèmes Mines ParisTech pierre.rouchon@mines-paristech.fr Octobre 2012 P.Rouchon (Mines ParisTech) Cryptographie et fonctions
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 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 détailProbabilités. 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 détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailIntroduction aux Mathématiques Financières. Ecole Centrale Paris. Lionel Gabet, Frédéric Abergel, Ioane Muni Toke
Introduction aux Mathématiques Financières Ecole Centrale Paris Deuxième année, S3 Lionel Gabet, Frédéric Abergel, Ioane Muni Toke Version 2010 Introduction aux mathématiques financières 2 Table des matières
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
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 détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailVariables 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 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 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 détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailExercices 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
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 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 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 détail1 Définition et premières propriétés des congruences
Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon
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 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 détailAttitude 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 détail1 Première section: La construction générale
AMALGAMATIONS DE CLASSES DE SOUS-GROUPES D UN GROUPE ABÉLIEN. SOUS-GROUPES ESSENTIEL-PURS. Călugăreanu Grigore comunicare prezentată la Conferinţa de grupuri abeliene şi module de la Padova, iunie 1994
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 détailProblèmes de Mathématiques Filtres et ultrafiltres
Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire
Plus en détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détail