INTRODUCTION AU CALCUL STOCHASTIQUE SÉMINAIRE EPIPHYMATHS. Bruno Saussereau. Laboratoire de Mathématiques de Besançon.
|
|
- Viviane Marie-Claire Jean
- il y a 7 ans
- Total affichages :
Transcription
1 Bruno Saussereau Laboratoire de Mathématiques de Besançon.
2 PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
3 INTRODUCTION PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
4 INTRODUCTION MOTIVATIONS Modèle de Langevin : X(t) désigne la position d une particule dans un liquide. La quantité de mouvement mẋ(t) est modifiée par deux types d actions. La première est la viscosité, opposée au déplacement et proportionnelle à la vitesse. La seconde est celle des chocs multiples et fréquents avec d autres particules. On écrira : mδẋ = αẋδt + δb.
5 INTRODUCTION HYPOTHÈSES DE MODÉLISATION SUR LE BRUIT 1. {B(t); t } est un processus homogène en temps : la loi de l accroissement B(t + δt) B(t) peut dépendre de δt mais pas de t. 2. {B(t); t } est un processus à accroissements indépendants : les chocs reçus pendant l intervalle de temps [t, t + δt] ne dépendent pas de ceux reçus avant t. 3. {B(t); t } est à trajectoires continues : la quantité de mouvement δb due aux chocs est faible si l amplitude δt de l intervalle de temps est petite. Les trois propriétés que nous venons d énoncer constituent la définition d un mouvement brownien.
6 INTRODUCTION POURQUOI LE CALCUL STOCHASTIQUE? mδẋ = αẋδt + σδb. Pour donner un sens à l équation de Langevin (surtout si σ dépend du temps) : mx t = X + αx s ds + σ(s)db s. Pour en trouver la ou les solutions Pour en étudier le comportement asymptotique Comment se comporte X lorsque α et σ/α 1?
7 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
8 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL MOUVEMENT BROWNIEN DÉFINITION 1 : On appelle mouvement brownien un processus stochastique (B t ) t à valeurs réelles satisfaisant les propriétés I) de continuité : P p.s. la fonction s B s (ω) est une fonction continue ; II) d indépendance des accroissements : si s t, B t B s est indépendant de la tribu F s = σ(b u, u s) ; III) de stationnarité des accroissements : si s t, la loi de B t B s est identique à celle de B t s.
9 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL DÉFINITION 2 : On appelle mouvement brownien (issu de ) une famille (B t ) t de variables aléatoires telle que I) B = ; II) Pour tout p 1, pour tout = t < t 1 <... < t p, les variables aléatoires B t1, B t2 B t1,..., B tp B tp 1 sont indépendantes, et pour tout j = 1,..., p, B tj B tj 1 est une variable aléatoire gaussienne centrée de variance (t j t j 1 ) ; III) Pour tout ω Ω, la fonction t B t (ω) est continue. REMARQUE : La définition 1 permet de caractériser la loi de la variable aléatoire B t (ce n est pas immédiat). La définition 1 est plus historique. C est seulement en 19 qu on a démontré qu un processus vérifiant les propriétés de la définition 1 était alors gaussien.
10 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL LES TRAJECTOIRES DU MOUVEMENT BROWNIEN Par définition, les trajectoires d un mb sont continues. On peut démontrer en fait qu elles sont α höldériennes pout tout α < 1/2. Pour tout p et pour tout temps s et t, il existe une variable aléatoire ξ s,t et une constante C p telle que B t B s ξ s,t t s p, et E(ξ p s,t ) Cp (t s)2. Pour presque tout ω Ω, la trajectoire brownienne t B t (ω) est nulle part différentiable. Comment donner un sens à T f (t)db t?
11 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL MÊME LES IDÉES SIMPLES POSENT DES PROBLÈMES! Il n existe pas de points t R + tels que dbt dt ait un sens. On ne peut donc pas définir l intégrale f (s)db s par une expression du type f (s)db s = f (s) db s ds ds. La construction d une intégrale stochastique sera abstraite On fera en sorte que l intégrale pourra être vue comme un limite de somme de Riemann du type T n 1 f (s)db s = lim f (ti )(B ti+1 B ti ) δ où = t < t 1 <... < t n = T est une subdivision de [,T ] de pas δ = sup i=1,...,n (t i t i 1 ), et t i [t i,t i+1 ]. i=
12 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL UN CALCUL EXPLICITE En gardant en tête cette idée simple, un problème de taille surgit même pour une intégrale a-priori élémentaire comme B sdb s. On s attend à trouver (penser à une intégrale de Stieltjes) Bt 2/2. t k = t k/n une subdivision de l intervalle [,t]. On considère les deux sommes de Riemann suivantes obtenues par différents choix de t k : n 1 In(t) 1 = B tk (B tk+1 B tk ) k= n 1 In(t) 2 = B tk+1 (B tk+1 B tk ). k=
13 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL UN CALCUL EXPLICITE (SUITE) ( ) n 1 In(t) 2 In(t) 1 = (B tk+1 B tk ) 2 = t n 1 2 B tk+1 B tk t/n = t 1 n 1 Z k, n n k= k= k= On a : Z k = ( ) 2 B tk+1 B tk t/n définit une suite de v.a.i.i.d d espérance commune 1. D après la loi des grands nombres, De plus il est facile de voir que I 2 n(t) I 1 n(t) n t E(Z ) = t. I 1 n(t) + I 2 n(t) = B 2 t.
14 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL Finalement on obtient que I 1 n(t) n I 2 n(t) n B 2 t 2 t 2 Bt t 2. Un autre calcul montre que si on choisit le milieu des intervalles [t i,t i+1 ] on obtient n 1 In(t) 3 Bt 2 = B t k +t k+1 (B tk+1 B tk ) 2 n 2. k= Ainsi les limites de somme de Riemann dépendent du choix de t k, contrairement au cas déterministe! On a donc différents choix pour définir une intégrale stochastique!
15 MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRALES STOCHASTIQUES Les trois choix précédent conduisent à trois notions d intégrales différentes : B s db s = B2 t 2 t 2 B s db s = B2 t 2 B s d Bs = B2 t 2 + t 2 Intégrale d Itô Intégrale de Stratonovitch Intégrale d Itô rétrograde (ou backward). Ces trois intégrales ont leurs avantages et inconvénients. L intégrale de Stratonovitch permet de retrouver une forme de "calcul différentiel" standard. L intégrale d Itô jouit d une propriété importante et très chère aux probabilistes : l intégrale obtenue sera une martingale (tout comme le mouvement Brownien) (M t ) t est une martingale si E(M t F s) = M s pour s t
16 INTÉGRATION STOCHASTIQUE PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
17 INTÉGRATION STOCHASTIQUE INTÉGRATION DES PROCESSUS SIMPLES PROCESSUS ÉLÉMENTAIRES On appelle processus élémentaire (H t ) t T un processus de la forme H t (ω) = p φ i (ω)1 ]ti 1,t i ](t), i=1 où = t < t 1 <... < t p = T et φ i est une variable aléatoire F ti 1 mesurable et bornée. INTÉGRALE D UN PROCESSUS SIMPLE L intégrale stochastique d un processus élémentaire H = (H t ) t T est définie par le processus continu ( I(H) t défini par : ) t T I(H) t = k φ i (B ti B ti 1 ) + φ k+1 (B t B tk ), pour t ]t k, t k+1 ], k =,..., p 1. i=1
18 INTÉGRATION STOCHASTIQUE PROPRIÉTÉS DE L INTÉGRALE D UN PROCESSUS SIMPLE On note H s db s = I(H) t. Continuité de t H sdb s, ( H sdb s est une F t martingale, ) t T ( ) t 2 ( ) Isométrie d Itô : E H t sdb s = E H2 s ds, CAS DÉTERMINISTE : INTÉGRALE DE WIENER Si (H t ) t T n est pas aléatoire, H sdb s est une v.a. gaussienne de loi ( N ; ) t H2 s ds.
19 INTÉGRATION STOCHASTIQUE EXTENSION PROCESSUS ADAPTÉS DE CARRÉ INTÉGRABLE On définit la classe H des processus adaptés de carré intégrable par { ( ) } T H = (H t ) t T, adapté à (F t ) t T, E Hs 2 ds < +. INTÉGRALE DES PROCESSUS DE H Il existe une unique application linéaire J de H dans l espace des F t martingales continues définies sur [, T ], telle que 1. SI (H t ) t T est un processus élémentaire, pour tour t T on a J(H) t = I(H)t P p.s.. 2. Si t T, E ( ) ( J(H) 2 t t = E H2 s ds). Cette propriété est appelée isométrie d Itô. Pour H H, on note H sdb s = J(H) t.
20 INTÉGRATION STOCHASTIQUE INTÉGRALE DE WIENER Pour tout f L 2 (, T ), f (s)db s est bien définie. C est une variable aléatoire gaussienne centrée de variance f 2 (s)ds. t f (s)db s est continue. Si f est continue et dérivable, s On ne sait toujours pas pourquoi f (r)db r = f (r)b r dr + f (t)b t f (s)b s. s B s db s = B2 t 2 t 2?
21 CALCUL D ITÔ PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
22 CALCUL D ITÔ QUELQUES GÉNÉRALITÉS But : introduire un calcul "différentiel" sur des intégrales stochastiques. Formule d Itô : analogue du développement de Taylor d une fonction à l ordre 1 avec un reste intégral Ici on développe des processus et le reste intégral se présente sous forme d intégrale stochastique. UN EXEMPLE Le prolongement naïf du calcul différentiel est voué à l échec. Supposons que l on veuille "différencier" t Bt 2 et l exprimer en fonction de "db t ". Pour une fonction t f (t) différentiable et nulle en on a f (t) 2 = 2 f (s)f (s)ds = 2 f (s)df (s).
23 CALCUL D ITÔ Dans le cas du mouvement brownien et de l intégrale stochastique, on ne peut avoir une formule du même type : Bt 2 = 2 B s db s. En effet : ( B ) sdb s t T est une martingale (car E( B2 s ds ) < ) nulle en. Si elle était égale à Bt 2, elle serait positive, et une martingale nulle en ne peut être positive que si elle est nulle L espérance d une martingale est constante. Ici on aurait E(B 2 t ) = E(B2 ) = et donc B t = ce qui est faux.
24 CALCUL D ITÔ FORMULE D ITÔ Soit (X t ) t T un processus d Itô : X t = X + K s ds + H s db s, f est une fonction deux fois continûment différentiable, on a : où par définition et : f (X t ) = f (X ) + f (X s )dx s + 1 f (X s )d < X, X > s 2 f (X s )dx s = < X, X > t = H 2 s ds, f (X s )K s ds + f (X s )H s dw s.
25 CALCUL D ITÔ UN EXEMPLE Si f (x) = x 2 et X t = B t, on a K s = et H s = 1, donc : On obtient : Bt 2 = 2 B s db s ds. 2 Bt 2 t = 2 B s db s. Comme E ( B2 s ds ) <, c est en fait le processus ( Bt 2 t ) qui est t une martingale.
26 CALCUL D ITÔ REMARQUE : FORMULE D ITÔ SOUS FORME STRATONOVITCH Si on écrit l intégrale sous sa forme de Stratonovitch, on retrouve un calcul différentiel "standard" : X t = X + K s ds + H s db s, Pour f est une fonction trois fois continûment différentiable on a : f (X t ) = f (X ) + f (X s ) dx s. LIEN INTÉGRALE D ITÔ ET INTÉGRALE DE STRATONOVITCH Sous réserve d existence des intégrales : H s db s = H s db s H 2 s ds.
27 RAPPELS PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
28 RAPPELS QUELQUES FORMULES UTILES INTÉGRALE DE WIENER Pour tout f L 2 (, T ), f (s)db s est bien définie. C est une variable aléatoire gaussienne centrée de variance f 2 (s)ds. t f (s)db s est continue. Si f est continue et dérivable, s f (r)db r = f (r)b r dr + f (t)b t f (s)b s. s
29 RAPPELS Si f et g sont deux fonctions régulières : FORMULE D INTÉGRATION PAR PARTIES d(fg)(t) = f (t)dg(t) + g(t)df (t). CAS DES PROCESSUS D ITÔ Pour deux processus du type : on a la formule d IPP : df (t) = b(t)dt + σ(t)db t dg(t) = b(t)dt + σ(t)db t, d(fg)(t) = f (t)dg(t) + g(t)df (t) + σ(t) σ(t)dt avec f (t)dg(t) = f (t)b(t)dt + f (t)σ(t)db t g(t)df (t) = g(t) b(t)dt + g(t) σ(t)db t.
30 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN PLAN DE L EXPOSÉ INTRODUCTION MOUVEMENT BROWNIEN ET APPROCHE HEURISTIQUE D UN CALCUL INTÉGRAL INTÉGRATION STOCHASTIQUE CALCUL D ITÔ RAPPELS APPLICATIONS AUX ÉQUATIONS DE LANGEVIN
31 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN ÉQUATIONS DE LANGEVIN LES DONNÉES t x(t) : position d une particule brownienne au temps t sa vitesse v = dx/dt satisfait l équation de Langevin : dv(t) = βv(t)dt + σdb t β est une constante ayant la dimension d une fréquence σ sera déterminée plus tard si m est la masse de la particule, formellement on a : m d 2 x dt 2 = mβv + mσ db t dt Loi de Newton F = ma avec une force de friction F = mβv (mβ coefficient de friction) une force de fluctuation F1 = mσdb t/dt
32 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN SOLUTION DE L ÉQUATION DE LANGEVIN dv(t) = βv(t)dt + σdb t AVEC x() = x ET v() = v : v(t) = e βt v + σe βt e βs db s x(t) = x + v(s)ds VÉRIFICATION : On utilise la formule d intégration par parties.
33 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN LOI DE v(t) v(t) = e βt v + σe βt e βs db s eβs db s est une variable aléatoire de loi gaussienne de moyenne (ou d espérance) nulle et de variance v(t) sera aussi une gaussienne avec ( e βs) 2 ds = e 2βt 1 2β une espérance vérifiant E(v(t)) = e βt v et une variance de σ 2 2β (1 e 2βt )
34 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN COMPORTEMENT ASYMPTOTIQUE DE v(t) v(t) = e βt v + σe ) βt t eβs db s est de loi N (e βt v ; σ2 2β (1 e 2βt ) Pour toute vitesse initiale v, la loi limite est une gaussienne de moyenne nulle et de variance σ 2 /2β. D après les lois de la mécanique statistique, l énergie moyenne de la particule (en équilibre) doit être 1 2kT (k est la constante de Boltzmann et T est la temperature absolue) 1 2 m σ2 2β = 1 2 kt On choisit σ 2 = 2 βkt m = 2β2 D avec D = kt /mβ est le coefficient de diffusion dans les équations d Einstein.
35 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN PROCESSUS D ORNSTEIN-UHLENBECK DÉFINITIONS Le processus v(t) = e βt v + β 2De βt e βs db s est le processus de vitesse d Ornstein-Uhlenbeck de diffusion de coefficient D et temps de relaxation β 1. Le processus de position correspondant (x(t)) t est appelé processus d Ornstein-Uhlenbeck : x(t) = x + v(s)ds est une variable aléatoire gaussienne de moyenne x + 1 e βt v β et de variance 2Dt + D ( 3 + β 4e βt e 2βt ).
36 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN COMPARAISON AVEC LA THÉORIE D EINSTEIN D après Einstein, la variance de la position est 2Dt. Pour le processus d O-U, la variance de la position est 2Dt + D β ( 3 + 4e βt e 2βt ) Si β = 1 8 s. et t =, 5 s. on fait une erreur sur la variance de l ordre de La théorie d Einstein est une bonne approximation de celle d O-U pour une particule libre.
37 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN POURQUOI LA TRAJECTOIRE EST "BROWNIENNE"? On rappelle que la position de la particule au temps t est x(t), variable aléatoire gaussienne de moyenne x + 1 e βt β v et de variance 2Dt + D β ( 3 + 4e βt e 2βt ). β ET D CONSTANT β et σ varient de telle sorte que β et D = σ 2 /2β 2 reste constant. la moyenne de la position tend vers x la variance de la position tend vers 2Dt On obtient un processus gaussien ayant même moyenne et variance que x(t) = x + 2DB t. x(t) x(t) quand β avec σ 2 /2β 2 constant.
38 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN On remarque que le processus de position qui permet d obtenir un Wiener quand β provient du processus de vitesse d O-U satisfaisant l équation de Langevin suivante : dv(t) = βv(t)dt + βdb t Il en sera de même en présence d un champs de force extérieur mais les équations deviennent plus difficiles à manipuler. RÉFÉRENCES Principalement le livre de Nelson disponible gratuitement sur sa page web.
39 APPLICATIONS AUX ÉQUATIONS DE LANGEVIN Merci de votre attention
Le modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en 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 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 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 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 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 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 détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
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 détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
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 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 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 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 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 détailDécomposition de Föllmer-Schweizer. explicite d un passif d assurance vie. au moyen du calcul de Malliavin
Décomposition de Föllmer-Schweizer explicite d un passif d assurance vie au moyen du calcul de Malliavin Mémoire présenté par Sébastien de Valeriola en vue de l obtention du master en sciences actuarielles
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
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 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 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 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 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 détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
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 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 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 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 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 détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
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 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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
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 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 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 détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
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 détailLimite de champ moyen
Limite de champ moyen Cours de DEA, 2001-2002 Cédric Villani UMPA, ESL 46 allée d Italie 69364 Lyon Cedex 07 cvillani@umpa.ens-lyon.fr 2 CHAPITRE 0 Ce document constitue le support écrit pour un cours
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
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 détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
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 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 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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailChapitre 2. Les Processus Aléatoires Non Stationnaires 1. Chapitre 2. Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires
Chapitre 2. Les Processus Aléatoires Non Stationnaires 1 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. Les Processus Aléatoires Non Stationnaires 2 Dans le
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 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 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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailMESURE DE LA TEMPERATURE
145 T2 MESURE DE LA TEMPERATURE I. INTRODUCTION Dans la majorité des phénomènes physiques, la température joue un rôle prépondérant. Pour la mesurer, les moyens les plus couramment utilisés sont : les
Plus en détail1.1.1 Signaux à variation temporelle continue-discrète
Chapitre Base des Signaux. Classi cation des signaux.. Signaux à variation temporelle continue-discrète Les signaux à variation temporelle continue sont des fonctions d une ou plusieurs variables continues
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
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 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 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 détailM1107 : Initiation à la mesure du signal. T_MesSig
1/81 M1107 : Initiation à la mesure du signal T_MesSig Frédéric PAYAN IUT Nice Côte d Azur - Département R&T Université de Nice Sophia Antipolis frederic.payan@unice.fr 15 octobre 2014 2/81 Curriculum
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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
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 détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailPrix et couverture d une option d achat
Chapitre 1 Prix et couverture d une option d achat Dans cette première leçon, on explique comment on peut calculer le prix d un contrat d option en évaluant celui d un portefeuille de couverture de cette
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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
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 détailRappel sur les bases de données
Rappel sur les bases de données 1) Généralités 1.1 Base de données et système de gestion de base de donnés: définitions Une base de données est un ensemble de données stockées de manière structurée permettant
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
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 détailRepérage d un point - Vitesse et
PSI - écanique I - Repérage d un point - Vitesse et accélération page 1/6 Repérage d un point - Vitesse et accélération Table des matières 1 Espace et temps - Référentiel d observation 1 2 Coordonnées
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 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 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 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 détailCalibration de modèles et couverture de produits dérivés
Calibration de modèles et couverture de produits dérivés Peter Tankov To cite this version: Peter Tankov. Calibration de modèles et couverture de produits dérivés. DEA. Calibration de modèles et couverture
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 détailPlanche n o 22. Fonctions de plusieurs variables. Corrigé
Planche n o Fonctions de plusieurs variables Corrigé n o : f est définie sur R \ {, } Pour, f, = Quand tend vers, le couple, tend vers le couple, et f, tend vers Donc, si f a une limite réelle en, cette
Plus en détailModèles de prix non-gaussiens pour les marchés de l énergie. Marie Bernhart
Modèles de prix non-gaussiens pour les marchés de l énergie Un modèle de prix par processus de Lévy de type NIG Marie Bernhart EDF R&D, OSIRIS, Gestion des Risques Marchés et Valorisation ENPC, 27 février
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Fonctions de plusieurs variables Eercices de Jean-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-francefr * très facile ** facile *** difficulté moenne **** difficile ***** très difficile I
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 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 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 détailChapitre 1 Cinématique du point matériel
Chapitre 1 Cinématique du point matériel 7 1.1. Introduction 1.1.1. Domaine d étude Le programme de mécanique de math sup se limite à l étude de la mécanique classique. Sont exclus : la relativité et la
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
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