CALCUL STOCHASTIQUE I
|
|
- Anaïs Ruel
- il y a 6 ans
- Total affichages :
Transcription
1 CALCUL STOCHASTIQUE I M.BENABDALLAH MASTER MINMACS SEMESTRE 3 AUTOMNE 2013
2 Le but de ce cours est d'introduire le calcul stochastique an de faire des applications. Après avoir étudié le mouvement brownien en M1 avec ses diérentes propriétés en particulier le fait que c'est une martingale, on introduit l'intégrale stochastique par rapport au mouvement brownien qui se généralise à une martingale. La diérentielle stochastique est traitée qui permet de passer au chapitre suivant où on fera du calcul d'itô avec la formule d'itô, pierre angulaire, qui va permettre d'étudier une nouvelle famille d'équations, généralisant les équations diérentielles, à savoir les équations diérentielles stochastiques. Le lien entre ces dernières et les équations aux dérivées partielles sera établi grâce à la notion de générateur induit par un processus de diusion.
3 CHAPITRE 1 : Préliminaires 1. Généralités 2. Régularité des processus CHAPITRE 2 :Intégrales stochastiques 1. Intégrales stochastiques 2. Intégrales stochastiques indénies 3. Extensions de l'intégrale stochastique CHAPITRE 3 : Calcul d'itô 1. Formule d'itô 2. Représentation Intégrale d'itô 3. Théorème de Girsanov CHAPITRE 4 : Equations diérentielles stochastiques 1. Existence et Unicité 2. Propriétés de Markov d'un processus de diusion 3. Générateur d'un processus de diusion 4. Formules de Feymann-Kac
4 CHAPITRE 1 : Préliminaires
5 Généralités On rappelle dans cette section le vocabulaire et le notions de base de la théorie des processus stochastiques et on insistera surtout sur les processus à paramètre continu.
6 On dispose pour cela d'un espace probabilisé formé d'un triplet (Ω, F, P) où : 1. Ω est l'ensemble de toutes les événements élémentaires de l'expérience aléatoire appelé univers. 2. F est une famille de parties de Ω qui est une tribu : 2.1 F 2.2 Si A F alors son complémentaire A c appartient aussi àf 2.3 A 1, A 2,... F i=1 A i F 3. P est une fonction qui associe à tout A F un nombre P(A), avec les propriétés suivantes : P(A) 1, 3.2 P(Ω) = Pour toute suite A 1, A 2,... d'ensembles disjoints deux à deux de F ( c'est à dire A i A j = si i j), P( A i ) = i=1 P(A i ). i=1
7 Les éléments de F sont appelés événements et l'application P est appelée mesure de probabilité. Dénition 1 Un processus stochastique est une famille de variables aléatoires {X t, t T } dénies sur un espace probabilisé (Ω, F, P) et à valeurs dans R. L'ensemble T est appelé ensemble d'indices. Dans ce cours, T sera souvent égal à R + =[0, + ), ou une partie de R + de la forme [a, b]. Ainsi l'indice t représente le temps, et on peut penser que X t comme l'état ou la position du processus au temps t. L'espace d'état est en général R, et le processus est dit à valeurs réelles. Tous les résultats se généralisent au cas où le processus est à valeurs dans R n.
8 Pour tout ω Ω, l'application : t X t (ω) dénie sur l'ensemble des indices T, est appelée une réalisation, une trajectoire, de l'espace des trajectoires. Soit {X t, t T } un processus stochastique à valeurs réelles et {t 1 <... < t n } T, alors la loi de probabilité = P (X t1,..., X tn ) 1 du vecteur aléatoire P t1,..,t n (X t1,..., X tn ) : Ω R n. est appelée loi marginale ni-dimensionnelle du processus {X t, t T }.
9 Le théorème suivant, du à Kolmogorov, établit l'existence d'un processus stochastique associé à une famille de lois ni-dimensionnelles satisfaisant à la condition de consistance (dans sa version la plus simple) : Théorème : Soient une famille de mesures de probabilités {P t1,..,t n, t 1 <... < t n, n 1, t i T } telle que : 1. P t1,..,t n est une probabilité sur R n 2. (Condition de consistance) : Si {t k1 <... < t km } {t 1 <... < t n } alors P tk1,..,t km est la marginale de P t1,..,t n correspondant aux indices k 1,.., k m. Alors, il existe un processus stochastique à valeurs réelles {X t, t 0} déni sur un espace probabilisé (Ω, F, P) qui admet la famille P t1,..,t n comme loi marginale ni-dimensionnelle.
10 Remarque Le processus {X t, t 0} peut être vu comme fonction de deux variables (t, ω) X (t, ω) de T Ω à valeurs dans R. il est naturel, de point de vue analyse stochastique d'avoir X (t, ω) conjointement mesurable en (t, ω). On peut aussi identier chaque ω avec la fonction de T à valeurs dans R. t X t (ω)
11 On peut ainsi voir Ω comme un sous ensemble de l'espace Ω = R T des fonctions de T à valeurs dans R. Alors la tribu F contient la tribu B engendrée par les ensembles de la forme {ω; ω(t 1 ) F 1,.., ω(t n ) F n } F i R, boréliens (B est la même tribu que la tribu borélienne sur Ω si T = [0, ] et Ω est munie de la topologie produit). On adopte souvent ce point de vue qui consiste à voir un processus comme une mesure de probabilité sur l'espace mesurable (R T, B).
12 Retour sur les temps d'arrêts On revoit dans cette section la notion de ltration à paramétres dans un ensemble continu ainsi que les temps d'arrêt qui leurs sont associés. Dénition 1 : Soit (Ω, F, P) un espace probabilisé. Une ltration (F t ) t 0 est une famille croissante de sous tribus de F.La tribu F t représente l'information dont on dispose à l'instant t. On dit qu'un processus (X t ) t 0 est adapté à (F t ) t 0, si pour chaque t, X t est F t mesurable.
13 Remarque : Les ltrations que l'on va considérer vérieront la propriété suivante : pour tout A F et si P(A) = 0 alors pour tout t, A F t Ceci exprime que F t contient tous les ensembles de mesures nulle de A. Le but de cette hypothèse est de permettre d'armer que si X = Y Pp.s. et que Y est F t -mesurable alors X est F t -mesurable. Exemple : On peut construire une ltration à partir du processus stochastique (X t ) t 0 en posant F X t = σ(x s, 0 s t) Cette ltration ne vérie pas en général le propriété énoncée dans la remarque. On peut cependant la remplacer la tribu F X t par la tribu F X t engendrée par F X t et N,l'ensemble des éléments de F de mesure nulle. On appelle cette ltration la ltration naturelle du processus (X t ) t 0. Il est clair que (X t ) t 0 est F X t -adapté.
14 On introduit ci-après la notion de temps d'arrêt, utile pour le calcul stochastique, qui modélise un temps aléatoire dépendant du processus de façon non anticipante ( à un instant t on sait si un temps d'arrêt est plus petit que t). Dénition 2 : On appelle temps d'arrêt par rapport à la ltration (F t ) t 0 une variable aléatoire τ à valeurs dans R + + telle que, pour tout t 0 : {τ t} F t On associe à un temps d'arrêt τ une tribu que l'on note F τ dénie par : F τ = {A F, pour tout t 0, A {τ t} F t } Cette tribu représente les informations disponibles avant l'instant aléatoire τ.
15 Propriétés des temps d'arrêts. 1. Si S et T sont deux temps d'arrêts, il en est de même de S T et S T. En fait, c'est une conséquence des relations {S T t} = {S t} {T t} {S T t} = {S t} {T t} En particulier si S est un temps d'arrêt et t un temps déterministe, alors S t est un temps d'arrêt. 2. Si S et T sont deux temps d'arrêts tels que S T, alors F S F T. En fait,si A F S, alors A {T t} = (A {S t}) {T t} F t pour toutt Soit {X t } un processus stochastique adapté continu et soit τ un temps d'arrêt. Alors la variable aléatoire X τ (ω) = X τ(ω) (ω) est F τ mesurable.
16 Régularité des processus Dénition 3 : Un processus stochastique (X t ) t 0 est dit équivalent à un autre processus (Y t ) t 0 si P(X t = Y t ) = 1 pour tout t 0 On dit aussi que (X t ) t 0 est une version de (Y t ) t 0. On peut noter que deux processus équivalents ont des lois ni-dimensionnelles égales, néanmoins ils peuvent avoir des trajectoires diérentes. Exemple : Soit ξ une variable aléatoire de loi continue. Pour t 0, les processus X t = 0 Y t = { 0 si ξ t 1 si ξ = t sont équivalents mais ont des trajectoires diérentes.
17 Ainsi, si on considère un processus stochastique comme une probabilité sur (R) [0,+ ),deux tels processus peuvent avoir la même loi alors que leurs trajectoires sont diérentes. Dénition 4 : Deux processus stochastiques (X t ) t 0 et (Y t ) t 0 sont indistinguables si X. (ω) = Y. (ω) pour tout ω / N, avec P(N) = 0. Remarque : On peut montrer que deux processus stochastiques équivalents ayant des trajectoires continues sont alors indistinguables.
18 Dénition 5 : Un processus stochastique (X t ) t 0 est dit continu en probabilité si, pour tout ɛ > 0 et pour tout t 0 lim P( X t X s > ɛ) = 0. s t Dénition 6 : On xe p 1. Soit (X t ) t 0 un processus stochastique réel, tel que E( X t p < pour tout t 0. Le processus (X t ) t 0 est dit continu en moyenne d'ordre p si lim E( X t X s p ) = 0. s t La continuité en moyenne d'ordre p implique la continuité en probabilité. Toutefois, la continuité en probabilité(ou en moyenne d'ordre p) n'entraine pas nécessairement que les trajectoires du processus sont continus.
19 Dans le but de montrer qu'un processus stochastique admet des trajectoires continues, il sut d'avoir des estimations sur les moments des accroissements du processus. Le critère de continuité suivant dû à Komogorov donne des conditions suivantes de ce type : Proposition : (Critère de continuité de Kolmogorov) Soit (X t ) t 0 un processus stochastique réél vériant la condition suivante : pour tout T > 0 il existe des constantes positives α, β, D telles que E( X t X s α ) D. t s 1+β ; 0 s, t T (1) Alors il existe une version du processus (X t ) t 0 avec des trajectoires continus.
20 La condition (1) donne aussi des informations concernant le module de continuité des trajectoires du processus. Cela signie, que pour ω Ω xé, quel est l'ordre de X t (ω) X s (ω), en comparaison de t s. plus précisément, pour tout ɛ > 0 il existe une variable aléatoire G ɛ tel que, avec une probabilité 1, X t (ω) X s (ω) G ɛ t s 1+β α ɛ ; 0 s, t T (2) De plus, E(G α ɛ ) <.
21 Pour terminer cette section, on présente une classe de processus d'on pourrait être amené à utiliser par la suite. Dénition 7 : Un processus à valeurs réelles (X t ) t 0 est appelé processus de second ordre si E(X 2 t ) < pour tout t 0. La moyenne et la fonction covariance d'un processus de second ordre (X t ) t 0 sont dénis par m X (t) = E(X t ) Γ X (s, t) = Cov(X s, X t ) = E[(X s m X (s))(x t m X (t)) La variance d'un processus X t ) t 0 est dénie par σ 2 X (t) = Γ X (t, t) = Var(X t ). Dénition 8 : Un processus à valeurs réelles (X t ) t 0 est appelé processus gaussien si ses lois marginales nidimensionnelles sont des vecteurs gaussiens.
22 La moyenne m X (t) et la fonction covariance Γ X (s, t) d'un processus gaussien détermine ses lois marginales nidimensionnelles. Inversement, supposons qu'on dispose d'une fonction arbitraire m : [0, ) R et d'une fonction symétrique Γ : [0, ) [0, ) R qui est dénie positive, c'est à dire n Γ(t i, t j )a i a j 0 i,j=1 pour tout t i [0, ), a i R et n 1, alors il existe un processus gaussien de moyenne m et de fonction covariance Γ.
Master 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 détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
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 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 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 détailIntroduction a l'algorithmique des objets partages. Robert Cori. Antoine Petit. Lifac, ENS Cachan, 94235 Cachan Cedex. Resume
Introduction a l'algorithmique des objets partages Bernadette Charron{Bost Robert Cori Lix, Ecole Polytechnique, 91128 Palaiseau Cedex, France, charron@lix.polytechnique.fr cori@lix.polytechnique.fr Antoine
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 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 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 détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
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 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 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 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 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 détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
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 détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
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 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 détailG.P. DNS02 Septembre 2012. Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3. Réfraction
DNS Sujet Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3 Réfraction I. Préliminaires 1. Rappeler la valeur et l'unité de la perméabilité magnétique du vide µ 0. Donner
Plus en détailMesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme
TFE Ingénieur Civil Mathématiques Appliquées 24 juin 2010 Mesures de Risque Multipériodes Cohérentes Appliquées au Compte à Terme Auteur Christophe Pochet Promoteur Pierre Devolder Comment garantir la
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 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 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 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 détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en 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 détailProbabilités et Statistique
Probabilités et Statistique Y. Velenik Version du 24 mai 2012 Dernière version téléchargeable à l adresse http://www.unige.ch/math/folks/velenik/cours.html 2011-2012 2 Table des matières Table des matières
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 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 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 détailRéalisabilité et extraction de programmes
Mercredi 9 mars 2005 Extraction de programme: qu'est-ce que c'est? Extraire à partir d'une preuve un entier x N tel que A(x). π x N A(x) (un témoin) (En fait, on n'extrait pas un entier, mais un programme
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
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 détailPlan Epargne Logement Evaluation des options cachées d'un PEL
Plan Epargne Logement Evaluation des options cachées d'un PEL Nicolas Baud, Paul Demey, Damien Jacomy, Gaël Riboulet & Thierry Roncalli GRO, Crédit Lyonnais, France 1er Mars 2000 Table des matières 1 Introduction
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 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 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en 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 détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
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 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 détailRecherche dans un tableau
Chapitre 3 Recherche dans un tableau 3.1 Introduction 3.1.1 Tranche On appelle tranche de tableau, la donnée d'un tableau t et de deux indices a et b. On note cette tranche t.(a..b). Exemple 3.1 : 3 6
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailDYNAMIQUE DE FORMATION DES ÉTOILES
A 99 PHYS. II ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L'AÉRONAUTIQUE ET DE L'ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE SAINT-ÉTIENNE,
Plus en détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailAxiomatique de N, construction de Z
Axiomatique de N, construction de Z Table des matières 1 Axiomatique de N 2 1.1 Axiomatique ordinale.................................. 2 1.2 Propriété fondamentale : Le principe de récurrence.................
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 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
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 détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 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 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 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 détailPropagation sur réseau statique et dynamique
Université de la Méditerranée UFR Sciences de Luminy Rapport de stage informatique pour le Master 2 de Physique, Parcours Physique Théorique et Mathématique, Physique des Particules et Astroparticules.
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailVers l'ordinateur quantique
Cours A&G Vers l'ordinateur quantique Données innies On a vu dans les chapîtres précédents qu'un automate permet de représenter de manière nie (et même compacte) une innité de données. En eet, un automate
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 détailPetite introduction aux mathématiques des dérivés financiers (notes de cours, version provisoire)
Petite introduction aux mathématiques des dérivés financiers notes de cours, version provisoire Michel Miniconi Département de Mathématiques Laboratoire Jean-Alexandre Dieudonné Université de Nice Sophia-Antipolis
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 détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailGRANDES DÉVIATIONS ET CONCENTRATION CONVEXE EN TEMPS CONTINU ET DISCRET
THÈSE DE DOCTORAT de l UNIVERSITÉ DE LA ROCHELLE Discipline : Mathématiques Spécialité : Probabilités Présentée par Yutao MA pour obtenir le grade de DOCTEUR de l UNIVERSITÉ DE LA ROCHELLE. Titre de la
Plus en détailMesures et Intégration
Mesures et Intégration Marc Troyanov - EPFL - Octobre 2005 30 avril 2008 Ce document contient les notes du cours de Mesure et Intégration enseigné à l EPFL par Marc Troyanov, version 2005-2006. Table des
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 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 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 détailrf( 1 f(x)x dx = O. ) U concours externe de recrutement de professeurs agreg6s composition d analyse
page 8 AGREGATIN de MATHEMATIQUES: 1991 1/5 externeanalyse concours externe de recrutement de professeurs agreg6s composition d analyse NTATINS ET DGFINITINS Dans tout le problème, R+ désigne l intervalle
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailCours Informatique Master STEP
Cours Informatique Master STEP Bases de la programmation: Compilateurs/logiciels Algorithmique et structure d'un programme Programmation en langage structuré (Fortran 90) Variables, expressions, instructions
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailDossier de presse L'archivage électronique
Dossier de presse L'archivage électronique Préambule Le développement massif des nouvelles technologies de l information et de la communication (TIC) a introduit une dimension nouvelle dans la gestion
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
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 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 détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
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 détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
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 détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détail