Appendice A1. Lemme de classe monotone
|
|
- Clémence Marier
- il y a 6 ans
- Total affichages :
Transcription
1 Appendice A1. Lemme de classe monotone Le lemme de classe monotone est un outil de théorie de la mesure très utile dans de nombreux raisonnements de théorie des probabilités. Nous en donnons ici la version qui est utilisée en de nombreux endroits dans ce cours. Soit E un ensemble quelconque, et soit P(E) l ensemble de toutes les parties de E. Si C P(E), σ(c ) désigne la plus petite tribu sur E contenant C (c est aussi l intersection de toutes les tribus contenant C ). Définition. Un sous-ensemble M de P(E) est appelé classe monotone si : (i) E M. (ii) Si A,B M et A B, alors B\A M. (iii) Si on se donne une suite croissante (A n ) n N telle que A n M pour tout n N, alors A n M. n N Toute tribu est aussi une classe monotone. Comme dans le cas des tribus, on voit immédiatement que toute intersection de classes monotones est encore une classe monotone. Si C est une partie quelconque de P(E), on peut donc définir la classe monotone engendrée par C, notée M (C ), en posant M (C ) = M classe monotone, C M Lemme de classe monotone. Si C P(E) est stable par intersections finies, alors M (C ) = σ(c ). Démonstration. Puisque toute tribu est une classe monotone, il est clair qu on a M (C ) σ(c ). Pour établir l inclusion inverse, il suffit de montrer que M (C ) est une tribu. Or une classe monotone est une tribu si et seulement si elle est stable par intersections finies (en effet, par passage au complémentaire, elle sera alors stable par réunion finies, puis par passage à la limite croissant par réunion dénombrable). Montrons donc que M (C ) est stable par intersections finies. Posons pour tout A P(E), M. J.-F. Le Gall, Mouvement brownien, martingales et calcul stochastique, Math matiques et Applications 71, DOI: / , Springer-Verlag Berlin Heidelberg
2 168 Appendice A1. Lemme de classe monotone M A = {B M (C ) : A B M (C )}. Fixons d abord A C. Puisque C est stable par intersections finies, il est clair que C M A. Vérifions ensuite que M A est une classe monotone: E M A est immédiat. Si B,B M A et B B, on a A (B \B) = (A B )\(A B) M (C ) et donc B \B M A. Si B n M A pour tout n et la suite B n croît, on a A ( B n ) = (A B n ) M (C ) et donc B n M A. Puisque M A est une classe monotone qui contient C, M A contient aussi M (C ). On a donc montré A C, B M (C ), A B M (C ). Ce n est pas encore le résultat recherché, mais on peut appliquer la même idée une seconde fois. Précisément, on prend maintenant A M (C ). D après la première étape de la preuve, C M A. En reprenant exactement les mêmes arguments que dans la première étape, on obtient que M A est une classe monotone. Il en découle que M (C ) M A, ce qui montre bien que M (C ) est stable par intersections finies et termine la preuve. Voici quelques conséquences du Lemme de classe monotone qui sont utilisées dans ce cours : 1. Soit A une tribu sur E et soient µ et ν deux mesures de probabilité sur (E,A ). Supposons qu il existe une classe C A stable par intersections finies, telle que σ(c ) = A et µ(a) = ν(a) pour tout A C. Alors µ = ν. (On utilise le fait que G := {A A : µ(a) = ν(a)} est une classe monotone.) 2. Soit (X i ) i I une famille quelconque de variables aléatoires et soit G une soustribu sur le même espace de probabilité. Pour montrer que les tribus σ(x i,i I) et G sont indépendantes, il suffit d établir que (X i1,...,x ip ) est indépendant de G, pour tout choix de la sous-famille finie {i 1,...,i p } I. (Observer que la classe des événements qui dépendent d un nombre fini des variables X i,i I est stable par intersection finie et engendre σ(x i,i I).) 3. Soit (X i ) i I une famille quelconque de variables aléatoires et soit Z une variable aléatoire réelle bornée. Soit aussi i 0 I. Pour voir que E[Z X i, i I ]=E[Z X i0 ], il suffit de montrer qu on a E[Z X i0, X i1,...,x i p ]=E[Z X i0 ] pour tout choix de la sous-famille finie {i 1,...,i p } I.(Observer que la classe des événements A tels que E[1 A Z]=E[1 A E[Z X i0 ]] est une classe monotone.) Cette dernière conséquence est utile dans la théorie des processus de Markov.
3 Appendice A2. Martingales discrètes Dans cet appendice, nous rappelons sans démonstration, pour la commodité du lecteur, les résultats sur les martingales et surmartingales à temps discret qui sont utilisés dans le Chapitre 3. La preuve de tous les énoncés qui suivent peut être trouvée dans le Chapitre V du traité classique de Dellacherie et Meyer [2], et dans beaucoup d autres ouvrages traitant des martingales discrètes (voir en particulier Neveu [8]). Commençons par rappeler la définition. On se place sur un espace de probabilité (Ω,F,P), et on fixe une filtration discrète, i.e. une famille croissante (G n ) n N de sous-tribus de F. On note aussi G = G n n=0 la plus petite tribu qui contient toutes les sous-tribus G n. Définition. Une suite (Y n ) n N de variables aléatoires intégrables, telle que, pour tout n N, Y n est G n -mesurable, est appelée martingale si, pour tous 0 m<n, E[Y n G m ]=Y m ; surmartingale si, pour tous 0 m<n, E[Y n G m ] Y m ; sous-martingale si, pour tous 0 m<n, E[Y n G m ] Y m. Ces notions dépendent bien sûr de la filtration (G n ) n N, qui est fixée dans la suite. Inégalité maximale. Si (Y n ) n N est une surmartingale, alors, pour tout λ > 0 et tout k N, [ ] λ P Y n > λ E[ Y 0 ] + 2E[ Y k ]. sup n k Inégalité de Doob dans L p. Si (Y n ) n N est une martingale, alors pour tout k N et tout p > 1, [ E sup 0 n k Y n p] ( p ) p E[ Yk p ]. p 1 J.-F. Le Gall, Mouvement brownien, martingales et calcul stochastique, Math matiques et Applications 71, DOI: / , Springer-Verlag Berlin Heidelberg
4 170 Appendice A2. Martingales discrètes Remarque. Cette inégalité n a d intérêt que si E[ Y k p ]<, sans quoi les deux côtés sont infinis. Si Y = (Y n ) n N est une suite de variables aléatoires réelles, et a < b, le nombre de montées de Y le long de [a,b] avant l instant n, noté Mab Y (n) est le plus grand entier k tel que l on puisse trouver une suite croissante m 1 < n 1 < < m k < n k d entiers positifs inférieurs ou égaux à n tels que Y mi < a, Y ni > b, pour tout i {1,...,k}. Inégalité des nombres de montées de Doob. Si (Y n ) n N est une surmartingale, alors pour tout n N et tous a < b, E[M Y ab (n)] 1 b a E[(Y n a) ]. Cette inégalité est un outil essentiel pour montrer les théorèmes de convergence pour les martingales et surmartingales discrètes, dont nous rappelons deux cas importants. Théorème de convergence pour les surmartingales discrètes. Si (Y n ) n N est une surmartingale, et si la suite (Y n ) n N est bornée dans L 1, alors il existe une variable Y L 1 telle que p.s. Y n Y. n Théorème de convergence pour les martingales discrètes fermées. Soit (Y n ) n N une martingale. Il y a équivalence entre : (i) La martingale (Y n ) n N est fermée, au sens où il existe Z L 1 (Ω,F,P) telle que Y n = E[Z G n ] pour tout n N. (ii) La suite (Y n ) n N converge p.s. et dans L 1 vers une variable notée Y. (iii) La suite (Y n ) n N est uniformément intégrable. Si ces propriétés sont vérifiées, la limite de la suite (Y n ) n N est Y = E[Z G ]. Nous rappelons maintenant deux versions du théorème d arrêt dans le cas discret. Un temps d arrêt (discret) est une variable aléatoire T à valeurs dans N { }, telle que {T = n} G n pour tout n N. La tribu du passé avant T est G T = {A G : A {T = n} G n, pour tout n N}. Théorème d arrêt pour les martingales discrètes fermées. Soit (Y n ) n N une martingale fermée, et notons Y la limite (p.s. et dans L 1 ) de Y n quand n. Alors pour tout choix des temps d arrêt S et T tels que S T, on a Y T L 1 et Y S = E[Y T G S ] avec la convention que Y T = Y sur l ensemble {T = }, et de même pour Y S. Théorème d arrêt pour les surmartingales discrètes (cas borné). Si (Y n ) n N est une surmartingale, alors pour tout choix des temps d arrêt S et T bornés et tels que S T, on a
5 Appendice A2. Martingales discrètes 171 Y S E[Y T G S ]. Nous terminons avec une variante du théorème de convergence pour les surmartingales discrètes, concernant le cas rétrograde. On se donne une filtration rétrograde, c est-à-dire une famille croissante de sous-tribus (H n ) n N indexée par les entiers négatifs (de telle sorte que la tribu H n est de plus en plus petite quand n ). Une famille (Y n ) n N de variables aléatoires intégrables, indexée aussi par les entiers négatifs, est une surmartingale rétrograde si, pour tout n N, Y n est H n -mesurable et si, pour tous < m n 0, E[Y n H m ] Y m. Théorème de convergence pour les surmartingales discrètes rétrogrades. Si (Y n ) n N est une surmartingale rétrograde, et si la suite (Y n ) n N est bornée dans L 1, alors la suite (Y n ) n N converge p.s. et dans L 1 quand n. Il est crucial pour les applications développées dans le Chapitre 3 que la convergence ait aussi lieu dans L 1 dans le cas rétrograde (comparer avec le théorème analogue dans le cas direct ).
6 Références 1. C. DELLACHERIE, P.-A. MEYER. Probabilités et potentiel. Chapitres I à IV. Hermann, Paris, C. DELLACHERIE, P.-A. MEYER. Probabilités et potentiel. Chapitres V à VIII. Théorie des martingales. Hermann, Paris, N. IKEDA, S. WATANABE. Stochastic differential equations and diffusion processes. North- Holland, Amsterdam-New York, K. ITÔ. Selected papers. Edited and with an introduction by S.R.S. Varadhan and D.W. Stroock. Springer, New York, I. KARATZAS, S. SHREVE. Brownian motion and stochastic calculus. Springer, Berlin, H.P. MCKEAN. Stochastic integrals. Academic Press, New York J. NEVEU. Bases mathématiques du calcul des probabilités. Masson, Paris, J. NEVEU. Martingales à temps discret. Masson, Paris, D. REVUZ, M. YOR. Continuous martingales and Brownian motion. Springer, Berlin, L.C.G. ROGERS, D. WILLIAMS. Diffusions, Markov processes and martingales : Itô calculus. Wiley, New York, D.W. STROOCK, S.R.S. VARADHAN. Multidimensional diffusion processes. Springer, Berlin, J.-F. Le Gall, Mouvement brownien, martingales et calcul stochastique, Math matiques et Applications 71, DOI: / , Springer-Verlag Berlin Heidelberg
7 Index aire de Lévy, 115 approximation d une intégrale stochastique, 89 associativité de l intégrale stochastique, 84, 88 càdlàg, 45 calcul stochastique avec le supremum, 113 continuité de la filtration brownienne, 103 continuité des martingales browniennes, 103 covariance (fonction de), 9 critère d unicité de Yamada-Watanabe, 165 critères de Kazamaki et Novikov, 109 crochet de deux martingales locales, 70 de deux semimartingales, 73 début d un ensemble progressif, 39 diffusion branchante de Feller, 140 domaine du générateur, 128 équation différentielle stochastique, 146 cas lipschitzien, 148 espace de probabilité filtré, 33 espace gaussien, 6 existence faible pour une EDS, 147 filtration, 33 complète, 34 conditions habituelles, 34 continue à droite, 34 fonction à variation finie, 57 variation totale, 58 formule d intégration par parties, 93 formule d Itô, 91 cas du mouvement brownien, 94 extension à une fonction sur un ouvert, 95 formule de Cameron-Martin, 111 formule de Dynkin, 142 formule de Feynman-Kac, 141 formule de Tanaka, 117 générateur d un semigroupe de transition, 128 cas des solutions d EDS, 157 cas du mouvement brownien, 129 inégalité de Doob dans L p, 43 inégalité de Kunita-Watanabe, 71 inégalité maximale, 43 inégalités de Burkholder-Davis-Gundy, 99 indistinguable, 18 intégrale de Wiener, 18, 87 intégrale par rapport à un processus à variation finie, 61 intégrale stochastique cas d une martingale bornée dans L 2, 82 cas d une martingale locale, 86 cas d une semimartingale, 88 intervalles de constance d une martingale, 98 inversion du temps, 31 lemme de classe monotone, 167 lemme de Gronwall, 149 lemme de Kolmogorov, 19 loi de l arcsinus, 32 loi de temps d atteinte brownien, 30 cas avec dérive, 111 transformée de Laplace, 51 loi du logarithme itéré, 32 loi du point de sortie d un intervalle, 51 loi du tout ou rien, 23 lois marginales de dimension finie, 9 pour un processus de Markov, 122 martingale, 40 à temps discret, 169 J.-F. Le Gall, Mouvement brownien, martingales et calcul stochastique, Math matiques et Applications 71, DOI: / , Springer-Verlag Berlin Heidelberg
8 176 Index arrêtée à un temps d arrêt, 50 fermée, 48 régularité des trajectoires, 45 théorème de convergence, 48 uniformément intégrable, 48 martingale exponentielle, 95 du mouvement brownien, 41 martingale locale, 61 martingales locales orthogonales, 71 mesure de Wiener, 22 propriété de quasi-invariance, 111 mesure gaussienne, 10 modification, 18 moments d une intégrale stochastique, 85, 87 mouvement brownien, 22 (F t )-mouvement brownien, 41, 94 construction canonique, 23 en dimension d, 30, 118 mouvement brownien géométrique, 161 noyau de transition, 121 pont brownien, 31 pré-mouvement brownien, 15 principe de réflexion, 29 problème de Dirichlet, 113 processus élémentaire, 81 adapté, 34 mesurable, 34 progressif, 34 processus à accroissements indépendants, 40 martingales associées, 41 processus à variation finie, 60 processus aléatoire, 6 processus d Ornstein-Uhlenbeck, 160 processus de Bessel, 161 processus de branchement continu, 138 processus de diffusion, 159 processus de Feller, 127 cas des solutions d EDS, 157 processus de Lévy, 137 processus de Markov, 122 cas des solutions d EDS, 156 construction canonique, 124 processus gaussien, 7 propriété de Markov forte, 136 cas des solutions d EDS, 159 cas du mouvement brownien, 27 propriété de Markov simple, 135 cas du mouvement brownien, 17 résolvante d un semigroupe de transition, 125 représentation des martingales comme intégrales stochastiques, 100 semigroupe de Feller, 127 semigroupe de transition, 121 semimartingale continue, 73 solution forte d une EDS, 147 sous-martingale, 40 à temps discret, 169 surmartingale, 40 à temps discret, 169 temps d arrêt, 35 cas du mouvement brownien, 27 réduisant une martingale locale, 62 temps d entrée dans un ensemble, 40 théorème d arrêt, 49 cas des surmartingales, 52 théorème d extension de Kolmogorov, 9, 123 théorème de caractérisation de Lévy, 96 théorème de Dubins-Schwarz, 97 théorème de Girsanov, 106 théorème de Yamada-Watanabe, 147 trajectoires d un processus aléatoire, 18 tribu du passé avant un temps d arrêt, 35 cas brownien, 27 tribu progressive, 35, 81 unicité faible pour une EDS, 147 unicité trajectorielle pour une EDS, 147 variable aléatoire gaussienne, 1 variation quadratique d une martingale locale, 64 d une semimartingale, 73 du mouvement brownien, 64 vecteur gaussien, 3
Filtrage 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 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 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 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 détailDIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS. Semestre d hiver 2001-2002
Département d économie politique DIPLOME D'ETUDES APPROFONDIES EN ECONOMIE ET FINANCE THEORIE DES MARCHES FINANCIERS Semestre d hiver 2001-2002 Professeurs Marc Chesney et François Quittard-Pinon Séance
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 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 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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en 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 détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
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 détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite 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 détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
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 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 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 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en 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 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 détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailGestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE
Gestion du niveau de la franchise d un contrat avec bonus-malus Pierre THEROND & Stéphane BONCHE SOMMAIRE 1. Réduction de franchise en l absence de système bonus-malus A - Bonnes propriétés du modèle collectif
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 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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en 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 détailCorps des nombres complexes, J Paul Tsasa
Corps des nombres complexes, J Paul Tsasa One Pager Février 2013 Vol. 5 Num. 011 Copyright Laréq 2013 http://www.lareq.com Corps des Nombres Complexes Définitions, Règles de Calcul et Théorèmes «Les idiots
Plus en détail0 h(s)ds et h [t = 1 [t, [ h, t IR +. Φ L 2 (IR + ) Φ sur U par
Probabilités) Calculus on Fock space and a non-adapted quantum Itô formula Nicolas Privault Abstract - The aim of this note is to introduce a calculus on Fock space with its probabilistic interpretations,
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 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 détailIncertitude financière, mesures de risque et préférences robustes
Incertitude financière, mesures de risque et préférences robustes Hans Föllmer Institut für Mathematik Humboldt-Universität zu Berlin Unter den Linden 6 10099 Berlin, Allemagne 1 Le rôle des mathématiques
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 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 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 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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours.
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 détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en 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 détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailSur quelques applications des processus de branchement en biologie moléculaire
Sur quelques applications des processus de branchement en biologie moléculaire Didier Piau Exposés donnés les 3 et 4 novembre 2003 à l ÉNS dans le cadre de l atelier «Applications à la biologie et à la
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en 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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
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 détailRésumé... 9... 10... 10... 10
Bibliographie 1 Table des matières Table des matières.................................... 3 Résumé............................................ 9........................................ 10........................................
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 détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en 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 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 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 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 détailTRAVAIL D ETUDE ET DE RECHERCHE. Utilisation des arbres binomiaux pour le pricing des options américaines
Ensimag - 2éme année Mai 2010 TRAVAIL D ETUDE ET DE RECHERCHE Utilisation des arbres binomiaux pour le pricing des options américaines Anne-Victoire AURIAULT 1/48 2/48 Cadre de l Étude Cette étude a été
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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
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 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 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 détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détailCondition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1
General Mathematics Vol. 18, No. 4 (2010), 85108 Condition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1 Faiza Belarbi, Amina Angelika Bouchentouf Résumé Nous étudions
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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
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 détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détail