Méthodes de réduction de variance pour Monte Carlo
|
|
- Marie-Josèphe Christelle Morel
- il y a 7 ans
- Total affichages :
Transcription
1 1 Méthodes de réduction de variance pour Monte Carlo Josselin Garnier (Université Paris Diderot) Méthode de Monte Carlo : estimer par simulation une quantité qui peut s écrire sous la forme I = E[f(X)] où : - f est une fonction numérique (souvent coûteuse), - X est une variable aléatoire qu on sait simuler.
2 2 Exemple 1 : On a I = f(x)dx [0,1] d I = E[f(X)] avec X de loi uniforme sur [0,1] d Exemple 2 : u(t,x) solution de l équation de la chaleur : u t = 1 u, u(t = 0,x) = f(x) 2 On a u(t,x) = E[f(x+B t )] où B t est un mouvement brownien. Exemple 3 : u(t,x,v) solution de l équation du transfert radiatif (densité de particules en x avec la vitesse v) : [ φ(x,v)u(t,x,v)dxdv = E φ(x t,v t )exp ( t r(x s,v s )ds )] 0 où (X t,v t ) est un processus Markovien (V t est un processus de sauts et t X t = V t ).
3 3 Estimation par Monte Carlo On tire un n-échantillon (X (k) ),...,n (des réalisations indépendantes de X). Estimateur de I = E[f(X)] : Î n = 1 n f(x (k) ) Estimation non-biaisée : E[În] = I pour tout n Convergence (loi des grands nombres) : Erreur (risque quadratique) : Î n n I avec probabilité 1 E [ (În I) 2] = Var(În) = 1 n Var(f(X)) Avantages: 1) pas de régularité requise sur f (seule condition à vérifier : E[f(X) 2 < ). 2) vitesse de convergence indépendante de la dimension.
4 4 Intervalles de confiance Question : L estimateur În donne une valeur approchée de I, d autant meilleure que n est grand. Comment quantifier précisément l erreur? Réponse : On construit un intervalle de confiance au niveau 0.95, i.e. un intervalle [â n,ˆb n ] tel que P ( ) I [â n,ˆb n ] 0.95 Construction basée sur le théorème central limite : ) P( Î n I < c Var(f(X))1/2 n 2 c e x2 /2 dx n 2π Le membre de droite vaut 0.95 si c = Donc ( P I [Î n 1.96 Var(f(X))1/2 n,în Var(f(X))1/2 n ])
5 5 ( P I [Î n 1.96 Var(f(X))1/2 n,în Var(f(X))1/2 n ]) 0.95 Les bornes sont encore inconnues car on ne connaît pas Var(f(X))! Deux solutions : - solution conservatrice, du type Var(f(X)) f 2, et alors ( [ P I Î n 1.96 f,în f ]) 0.95 n n - asymptotiquement, on remplace Var(f(X)) dans les bornes par son estimateur empirique ˆσ 2 n : P ( I [ Î n 1.96 ˆσ n n,în ˆσ n n ]) 0.95 où ˆσ n = ( 1 n f(x (k) ) 2 Î2 n ) 1/2 Conclusion : Il n y a aucun intervalle borné de R dont on puisse dire avec certitude qu il contient I, mais il y a des intervalles, dits intervalle de confiance, dont on peut dire qu ils contiennent I avec une probabilité très proche de 1.
6 6 Techniques de réduction de variance Objectif : réduire la variance de l estimateur de Monte Carlo classique : E [ (În I) 2] = 1 n Var(f(X)) Les méthodes - Echantillonnage préférentiel - Variables de contrôle - Variables antithétiques - Stratification ont pour but de réduire la constante, en restant proches de l esprit Monte Carlo (parallélisable). Les méthodes - Quasi-Monte Carlo ont pour but de changer le 1/n. Les méthodes - Systèmes de particules en interaction s éloignent de l esprit Monte Carlo (séquentielle).
7 7 Echantillonnage préférentiel (importance sampling) Observation : la représentation de I comme espérance n est pas unique. Si X est à densité p : f(x)p(x) [ f(x)p(x) ] I = E p [f(x)] = f(x)p(x)dx = q(x)dx = E q q(x) q(x) L utilisateur est libre dans le choix de la densité q. Idée : Dans la situation où on sait que f(x) est surtout sensible à certaines valeurs de X, au lieu de tirer les X (k) selon la densité originale p(x) de X, on les tire selon une densité biaisée q(x) qui favorise les valeurs de X dans la zone d importance. En considérant la représentation on propose l estimateur : I = E p [f(x)] = E q [ f(x) p(x) q(x) Î n = 1 n f(x (k) ) p(x(k) ) q(x (k) ) où (X (k) ),...,n est un n-échantillon tiré selon q. Estimateur non-biaisé : E q [În] = I. ]
8 8 Estimateur convergent : Î n = 1 n f(x (k) ) p(x(k) ) q(x (k) ) [ n E q f(x) p(x) q(x) ] = E p [ f(x) ] = I Variance de l estimateur : Var(În) = 1 ( n Var q f(x) p(x) ) q(x) = 1 n [ ) (E p f(x) 2 p(x) ] E p [f(x)] 2 q(x) En choisissant bien q, on peut fortement réduire la variance. En fait, en choisissant (en supposant f 0) on trouve q opt (x) = f(x)p(x) I Var(În) = 0 Mais q opt (x) dépend de I! ( méthodes séquentielles/adaptatives). Points pratiques importants pour pouvoir implémenter la méthode : Il faut savoir simuler X de loi q et il faut savoir calculer le rapport de vraisemblance p(x) q(x).
9 9 Exemple : On veut estimer I = E[f(X)] avec X N(0,1) et f(x) = [x 3] +. I = 1 2π (x 3) + 1 e x2 2 dx = 2π 3 (x 3)e x2 2 dx Monte Carlo : Î n = 1 n On a Var(În) = 1 n (X k 3) +, X k N(0,1) Echantillonnage préférentiel : on tire X k selon la loi N(3,1). Î n = 1 n (X k 3) + e X 2 k 2 e (X k 3)2 2 = 1 n (X k 3) + e 3X k+ 9 2, Xk N(3,1) On a Var(În) = 1 n Il faut 1000 fois moins de simulations avec la méthode IS pour atteindre la même précision!
10 10 Exemple : On veut estimer I = E[f(X)] avec X N(0,1) et f(x) = exp(x). I = 1 2π e x e x2 2 dx = e 1 2 Ce sont les grandes valeurs de X qui sont importantes. Echantillonnage préférentiel : on tire X (k) selon la loi N(µ,1), µ > 0. Î n = 1 n [X (k) ] 2 f(x (k) ) e 2 e [X(k) µ] 2 2 = 1 N (e µ2 2µ+2 e 1) f(x (k) )e µx(k) + µ2 2 Var(În) = 1 n Monte Carlo µ = 0 : Var(În) = 1 n ( e 2 e 1) Echantillonnnage préférentiel optimal µ = 1 : Var(În) = 0.
11 11 Exemple : Le jeu de pile ou face Question : sur une suite de 100 lancers de pile ou face, quelle est la probabilité p que plus de 70 lancers donnent pile? Réponse : On note S le nombre de piles obtenus. La probabilité d obtenir k piles est P(S = k) = p S (k) = ( 100 k ) On cherche p = P(S > 70) Donc p = P(S > 70) = 100 k=71 p S (k)
12 12 Imaginons maintenant qu on ne sache pas faire le calcul. Méthode de Monte Carlo. On réalise n expériences indépendantes. - on lance 100 pièces, Expérience i : - on note S (i) le nombre de piles obtenus. On compte le nombre de fois où on a eu plus de 70 piles, et on divise par n : ˆp n = 1 n 1 S (i) >70 On a ainsi un estimateur non-biaisé et convergent de p. Mais : L erreur relative est donc : Var[ˆp n ] = E [ (ˆp n p) 2] = 1 n ( p p2 ) Erreur = Var[ˆpn ] p = 1 n ( 1 p 1 ) 1/2 1 n p Il faut n 100 p 1 pour avoir une erreur realtive de moins de 10%.
13 13 Echantillonnage préférentiel : on utilise une pièce biaisée, dont la probabilité de faire pile est q > 1/2. Alors la probabilité de faire k piles est : ( ) P IS (S = k) = p IS 100 S (k) = k q k (1 q) 100 k On réalise n expériences indépendantes, pendant lesquelles on lance 100 pièces biaisées. On note S (i) le nombre de piles obtenus lors de l expérience i. Estmateur non-biaisé convergent : ˆp n = 1 n = 1 n 1 S (i) >70 1 S (i) >70 p S (S (i) ) p IS S (S(i) ) ( 1 2q ) S (i) ( ) 100 S (i) 1 2(1 q) Remarque : un rapport de vraisemblance peut être plus facile à calculer qu une vraisemblance!
14 14 On connaît tout ici, on peut donc tout calculer et vérifier analytiquement Var IS [ˆp n ] = 1 [ } p(s {E (i) ) 2 IS 1 n S (i) >70 ] p 2 p IS (S (i) ) 2 { = ( )( ) k ( ) } 100 k k>70 n k p 2 4q 4(1 q) k=0 La variance de l estimateur dépend explicitement du choix de q! 249 si q = 0.5 VarIS [ˆp n ] Erreur IS [ˆp n ] = = si q = 0.6 p n 2.06 si q = si q = 0.8 En choisissant bien q, l erreur peut être fortement réduite. - Il faut pousser q, pour que l événement plus de 70 piles devienne de probabilité d ordre 1. - Il ne faut pas trop pousser, car sinon les rapports de vraisemblance deviennent grands et amplifient les erreurs.
15 15 Remarque : si on choisit alors q opt (x) = f(x)p(x) I Var(În) = 0 Différentes méthodes (séquentielles, adaptatives,...) existent pour trouver la densité q opt (x) : - analyse théorique (style grandes déviations). - utilisation d un modèle réduit f r (x) q opt,r (x) = f r(x)p(x) I r, avec I r = f r (x)p(x)dx. - méthodes paramétriques : choisir une famille de lois biaisées, estimer ses paramètres à partir des premières simulations, puis tirer les dernières simulations pour approcher la loi estimée. - méthodes non-paramétriques : idem mais par des méthodes d estimation à noyaux ou autres. Contraintes : il faut savoir simuler q et calculer les rapports de vraisemblance. Pas facile : il faut trouver comment biaiser l entrée X pour que la sortie f(x) ait le comportement désiré.
16 16 Variables de contrôle dans la situation où on dispose d un modèle réduit f r (X). Supposons qu on connaisse I r = E[f r (X)]. En considérant la représentation I = E[f(X)] = I r +E[f(X) f r (X)] on propose l estimateur : Î n = I r + 1 n f(x (k) ) f r (X (k) ) Variance de l estimateur : Peut réduire beaucoup la variance. Var(În) = 1 n Var[f(X) f r(x)]
17 17 Exemple : on souhaite estimer I = E[f(X)] avec X U(0,1), f(x) = exp(x). Résultat : I = e Monte Carlo. Î n = 1 n exp[x (k) ] Variance de l estimateur MC = 1 n (2e 1) 1 n Variable de contrôle. Modèle réduit : f r (x) = 1+x (ici I r = 3 ). Estimateur 2 VC : Î n = I r + 1 {exp[x (k) ] 1 X (k)} n Variance de l estimateur VC = 1 n (3e e ) 1 n Il faut donc 100 fois moins de simulations avec l estimateur VC!
18 18 Exemple : Méthodes de Romberg statistiques pour l estimation de I = E[f(X)] On dispose d un code léger f r en plus du code lourd f. Le rapport du coût calcul entre un appel à f et un appel à f r est q > 1. Estimateur avec n r n. Î n = 1 n r n r f r ( X (i) )+ 1 n f(x (i) ) f r (X (i) ) Allocation entre appels au code lourd et appels au code léger à optimiser sous la contrainte n r /q +n(1+1/q) = n tot. Compromis classique entre erreur d approximation et erreur d estimation. Utilisé dans le cas où f(x) est la solution d une équation différentielle stochastique discrétisée finement, avec f r (X) la solution avec un schéma de discrétisation grossier.
19 19 Stratification on force l échantillon à respecter exactement les proportions théoriques dans certaines strates. Méthode utilisée pour les sondages (échantillon représentatif). Ici : on souhaite estimer I = E[f(X)], X à valeurs dans D. Deux ingrédients : i) Une partition de l espace D : D = m D i. On connaît p i = P(X D i ). ii) Formule des probabilités totales : E[f(X)] = m Estimation : 1) On estime J i par n i tirages de Monte Carlo : 2) On forme l estimateur Ĵ i = 1 n i n i j=1 E[f(X) X D i ] P(X D i ) }{{}}{{} J i p i f(x (j) ), X (j) L(X X D i ) Î n = m Ĵ i p i
20 20 Î n = m Ĵ i p i, Ĵ i = 1 n i n i j=1 Le nombre de simulations total est n = m n i. f(x (j) ), X (j) L(X X D i ) L estimateur est non-biaisé, convergent (si n i ) et sa variance est Var ( ) m Î n = p 2 ivar(ĵi) = m p 2 i σ 2 i n i, avec σ 2 i = Var(f(X) X D i ). L utilisateur est libre de choisir les allocations n i (sous la contrainte m n i = n fixé). Stratification proportionnelle n i = p i n. Alors Var ( Î n ) SP = 1 n Or (inégalité de convexité pour x x 2 ) : Var ( Î n ) MC = 1 n Var( f(x) ) 1 n m p i σi, 2 m p i σi 2 = Var(În) SP Cependant, l allocation proportionnelle n est pas optimale!
21 21 L allocation optimale est celle qui minimise la variance Var(În) = m p2 i C est la solution du problème de minimisation sous contrainte : trouver (n i ),...,m minimisant m Solution (allocation optimale) : et alors On a : Var ( Î n ) p 2 i Var ( Î n ) σ 2 i n i avec n i = n SO = 1 n SO Var( Î n ) m n i = n p i σ i m l=1 p lσ l ( m ) 2 p i σ i, Problème : σ i inconnu. stratégie adaptative. SP Var( Î n )MC σ 2 i n i.
22 22 Exemple : on souhaite estimer I = E[f(X)] avec X U( 1,1) et f(x) = exp(x). Résultat : I = E[f(X)] = sinh(1) Monte Carlo. Î n = 1 n exp[x (k) ] Variance de l estimateur MC = 1 n (1 2 e 2 2 ) 1 n Stratification proportionnelle. On tire - X (1),..., X (n/2) selon U( 1,0), - X (n/2+1),..., X (n) selon U(0,1). Î n = 1 n n/2 exp[x (k) ]+ 1 n k=n/2+1 exp[x (k) ] = 1 n exp[x (k) ] Variance de l estimateur SP 1 n Il faut 3 fois moins de simulations avec l estimateur SP.
23 23 Stratification non-proportionnelle. On tire - X (1),..., X (n/4) selon U( 1,0), - X (n/4+1),..., X (n) selon U(0,1). Î n = 2 n n/4 Variance de l estimateur 1 n Il faut 9 fois moins de simulations. exp[x (k) ]+ 1 2n k=n/4+1 exp[x (k) ]
24 24 Variables antithétiques On cherche à calculer I = f(x)dx [0,1] d Monte Carlo avec un échantillon i.i.d. (X (1),...,X (n) ) de loi U([0,1] d ) : Î n = 1 n f(x (i) ) E [ (În I) 2] = 1 n Var(f(X)) = 1 ( ) f 2 (x)dx I 2 n [0,1] d On a aussi I = [0,1] d f(1 x)dx et I = f(x)+f(1 x) [0,1] d 2 dx Monte Carlo avec un échantillon i.i.d. (X (1),...,X (n/2) ) de loi U([0,1] d ) : Ĩ n = 1 n n/2 f(x (i) )+f(1 X (i) )
25 25 Estimateur de type Monte Carlo avec un échantillon ( X (1),..., X (n) ) := (X (1),...,X (n/2),1 X (1),...,1 X (n/2) ) non indépendant : Ĩ n = 1 n f( X (i) ) La fonction f est appelée n fois. E [ (Ĩn I) 2] = 1 n ( ) Var(f(X))+Cov(f(X), f(1 X)) = 1 ( ) f 2 (x)+f(x)f(1 x)dx 2I 2 n [0,1] d La variance est réduite si Cov(f(X),f(1 X)) < 0 (vrai si f monotone par exemple).
26 26 Exemple : La valeur exacte est I = ln2. I = x dx Monte Carlo : Î n = 1 n 1 1+X (i) Var(În) = 1 n( 1 0 (1+x) 2 dx ln2 2) = 1 n( 1 2 ln22) 1 n Variables antithétiques : Var(Ĩn) = 2 n ( 1 0 Ĩ n = 1 n n/2 ( 1 + ) ) 1 2 dx ln2 2 2(1+x) 2(2 x) 1 1+X (i) X (i) 1 n Il faut trois 15 fois moins de simulations avec la méthode VA.
27 27 Plus généralement : il faut trouver un couple (X, X) tel que f(x) et f( X) ont la même espérance et variance et Cov(f(X),f( X)) < 0. Monte Carlo avec un échantillon i.i.d. ((X (1), X (1) ),...,(X (n/2), X (n/2) )) : Ĩ n = 1 n E [ (Ĩn I) 2] = 1 n n/2 f(x (i) )+f( X (i) ) ( Var(f(X))+Cov(f(X),f( X)) ) Application récente : calcul de tenseurs effectifs en homogénéisation aléatoire (le tenseur effectif est une espérance d une fonctionnelle de la solution d une EDP elliptique en milieu aléatoire; on tire des paires antithétiques de réalisations du milieu; on gagne un facteur 3; cf C. Le Bris).
28 28 Suite à discrépance faible (quasi Monte Carlo) on tire l échantillon de manière moins aléatoire que MC, pour combler les trous qui se forment naturellement dans un échantillon aléatoire. Cette technique - réduit la variance si f a un peu de régularité et/ou de monotonie; on peut aller jusqu à une variance en C d (logn) s(d) /n 2, - marche en dimension pas trop grande, - représente un intermédiaire entre MC et quadrature usuelle, - en compétition avec des méthodes de quadrature creuse (Smolyak). Attention : - il n est pas facile de rajouter des points, - on n a pas d estimée d erreur (sans hypothèse supplémentaire).
29 29 Exemple : suites de Sobol en dimension 2. n = 100 n = 1000 n = 10000
Probabilités 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 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 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 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 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 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 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 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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 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 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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
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 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 détailAmphi 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 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 détailI3, 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 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 détailMéthode de Monte Carlo pour le calcul d'options
Méthode de Monte Carlo pour le calcul d'options LADIAS Elie, WANG Shuai 7 juin 2013 1 Table des matières 1 Méthode de Monte-Carlo et Calcul d'intégrales 4 1.1 Description de la méthode....................
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 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 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 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 détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
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 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 détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
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 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 détailMéthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique
Méthodes d approximation numérique pour le pricing des options vanilles et asiatiques dans le modèle de Heston de volatilité stochastique Najed Ksouri To cite this version: Najed Ksouri. Méthodes d approximation
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 détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
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 détailProbabilités 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 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 détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
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 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 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 détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailCondition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½
Condition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½ Patrick Ciarlet et Vivette Girault ciarlet@ensta.fr & girault@ann.jussieu.fr ENSTA & Laboratoire Jacques-Louis Lions, Paris 6 Condition
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 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 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 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détail3. 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 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 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 détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
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 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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
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 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 détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
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 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 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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
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 détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
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 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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
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 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 détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
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 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 détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
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 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 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 détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
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 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 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 détailMarkov processes and applications to queueing/risk/storage theory and mathematical biology
Markov processes and applications to queueing/risk/storage theory and mathematical biology Florin Avram Contents 1 Introduction aux processus stochastiques/aléatoires 3 2 Marches aléatoires et récurrences
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 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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
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 détail