Introduction à la simulation de Monte Carlo

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Introduction à la simulation de Monte Carlo"

Transcription

1 Introduction à la simulation de Simulation Geneviève Gauthier HEC Montréal e 1

2 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues à l aide du générateur de nombre aléatoire de votre logiciel préféré. I L estimateur de de la quantité θ E [g (X )] est bθ n 1 n n g (X i ). i=1 e I Remarquons que bθ n est une fonction de l échantillon X 1, X,..., X n. C est une variable aléatoire. I Exemple : Si X est un prix au temps T et que nous voulons tarifer une option d achat, alors g (X ) = e rt max (X K; 0).

3 Propriétés asymptotiques I Supposons que σ Var [g (X )] <. Comme l estimateur bθ n est formé d une somme de variables aléatoires indépendantes et identiquement distribuées, alors : e 3

4 Propriétés asymptotiques Estimateur convergent I bθ n est un estimateur sans biais et convergent pour θ. En e et : Sans biais h i E b θ n = E Convergent h i Var b θ n " 1 n = Var # n g (X i ) = 1 i=1 n " 1 n! 0 lorsque n!. n i=1 E [g (X i )] = 1 n # n g (X i ) = 1 n i=1 n i=1 n θ = θ. i=1 Var [g (X i )] = {z } =σ σ n e 4

5 Propriétés asymptotiques loi forte des grands nombres I La loi forte des grands nombres nous permet d a rmer que bθ n converge presque sûrement vers la quantité à estimer θ lorsque la taille n de l échantillon tend vers l in ni, c est-à-dire que Pr h lim n! bθ n i θ = 0 = 1. e 5

6 Propriétés asymptotiques Loi faible des grands nombres I Le théorème limite central implique que bθ n σp n θ n! ) N (0, 1) (converge en loi vers une distribution normale centrée et réduite lorsque la taille n de l échantillon tend vers l in ni). e Rappelons que σ Var [g (X )]. 6

7 Intervalle de con ance Écart-type connu Le dernier point nous permet de construire des intervalles de con ance autour de notre estimateur. En e et, si z α est le d ordre 1 α de la distribution normale centrée et réduite, c est-à-dire que Pr [Z z α ] = 1 α, alors l pour θ (de niveau de con ance 1 α) est bθ n z α σ pn ; bθ n + z α σ pn e lorsque la taille n de l échantillon est su samment grande. 7

8 Intervalle de con ance Marge d erreur Nous pouvons évaluer la précision de notre estimation puisque nous savons que 1 α = Pr 4 z α = Pr bθ n θ z α p n b θ n θ σ σ pn qui est équivalent à σ Pr bθ n θ > z α pn ' α. 3 z α 5 e Ainsi, la marge d erreur est Marge d erreur = z α σ pn. 8

9 e Estimation de la variance I Évidemment, en pratique, si on ne connaît pas θ E [g (X )], il y a très peu de chance que l on connaisse σ Var [g (X )]. Nous devons donc estimer σ. I L estimateur de sans biais de σ est bσ n = = n 1 n 1 g (X i ) bθ n i=1 n 1 n 1 (g (X i )) n b θ n. i=1 n 1 e 9

10 e I Intervalle de con ance I Si bσ (n) q bσ n, alors l pour θ (de niveau de con ance 1 α) est " # bσ bθ (n) bσ n z α p ; bθ (n) n + z α n p n e lorsque la taille n de l échantillon est su samment grande. I Encore une fois, cet intervalle est construit autour de la loi asymptotique de notre estimateur et il faudra être prudent lorsque notre échantillon sera de petite taille. 10

11 e II Intervalle de con ance I Notons que les tailles des échantillons sont habituellement très grandes lors des simulation de. Nous n avons donc pas besoin d introduire la loi de Student puisque cette dernière converge vers la distribution normale centrée et réduite lorsque n! e 11

12 e La marge d erreur La marge d erreur correspond à la demie de la longueur de l, c est-à-dire marge d erreur = z α σ pn h i = z α rvar b θ n. e 1

13 e I Un exemple I Soit S, le prix d un titre risqué au temps T. Nous voulons estimer la valeur au temps 0 d une option d achat dont le prix d exercice est K et la maturité est T, c est-à-dire que nous cherchons à estimer h i θ = E Q e rt max (S K; 0) e où Q représente une mesure neutre au risque. I La fonction g : <! < est donc g (x) = e rt max (x K; 0). 13

14 e II Un exemple I Nous supposerons aussi que nous sommes dans le cadre du modèle de Black et Scholes, c est-à-dire que S = L s 0 exp r ν T + ν p T Z où s 0 est le prix au temps t = 0 du titre risqué, r représente le taux sans risque, ν est la volatilité instantanée du rendement du titre risqué, Z est une variable aléatoire de loi normale centrée et réduite et L = dénote une égalité en loi. e 14

15 e III Un exemple I Évidemment, cet exemple est purement pédagogique puisque, dans ce contexte, nous connaissons la valeur de θ : h i θ = E Q e rt max (S K; 0) = s 0 N (d) Ke rt N = s 0 Z d exp z d ν p T dz Z d νt 1/ p Ke rt π z exp p π e dz où d = ln s 0 ln K + ν p T r + ν T. 15

16 e IV Un exemple I Dans ce contexte, nous connaissons même l écart-type puisque h i σ Var e rt max (S K; 0). En e et, comme il est démontré en annexe, σ = s0 exp ν T N d + ν p T s 0 K exp ( rt ) N (d) +K exp ( rt ) N d θ. ν p T e 16

17 e V Un exemple I Dans le cas où s 0 = 100, r = 0.05, ν = 0.0 et T = 1, nous avons K θ σ K = 0.9 s K = 1.0 s K = 1.1 s e 17

18 I Évaluation d une option dans le contexte NGARCH I Nous allons reprendre la tari cation des trois options en utilisant comme modèle de marché un processus NGARCH simulé sur une base quotidienne. e 18

19 II Évaluation d une option dans le contexte NGARCH I Le prix S t de l actif sous-jacent à la t ième journée, sous la mesure neutre au risque Q, est, 8t f0, 1,,...g, ln S t+1 S t = ρ 1 h t+1 + p h t+1 ɛ t+1 h t+1 = β 0 + β 1 h t + β h t (ɛ t eλ) où fɛ t : t Ng est une suite de variables aléatoires gaussiennes (d nulle et de variance unitaire) indépendantes sous la mesure Q. I Le processus h représente la variance conditionnelle h idu rendement quotidien du titre: h t+1 = Var Q t ln S t+1 S t. e 19

20 III Évaluation d une option dans le contexte NGARCH I Les paramètres sont choisis de sorte que ce modèle de marché ait un comportement similaire à celui de Black et Scholes utilisé dans l exemple. I S 0 = 100. I Le taux d intérêt sans risque ρ est quoditien. Ainsi ρ 365 = r, d où ρ = 0.05/365 = I Nous prendrons des valeurs typiquement observées pour les paramètres β: β 0 = , β 1 = 0.8 et β = 0.1. I La variance stationnaire est h = β 0 f1 β 1 β [1 + eλ ]g 1. Pour que la variance stationnaire (quotidienne) soit équivalente à celle utilisée dans le cadre de Black et Scholes, nous posons h = β 0 f1 β 1 β [1 + eλ ]g 1 = ν /365 ce qui implique que eλ = I Finalement, nous posons h 1 = h = e 0

21 Devoir à rendre I Les questions 1. Déteminer le prix des options d achat d une maturité de 6 mois dont les prix d exercice sont respectivement 0.8 S 0, 0.9 S 0, S 0, 1.1 S 0 et 1. S 0 à l aide d une simulation de pour des tailles d échantillon égales à 5 000, , 5 000, et Construire les intervalles de con ance autour de ces prix. 3. Noter les temps de calcul nécessaires pour chaque taille d échantillon. 4. Produisez un graphe présentant la marge d erreur en abscisse et le temps de calcul en ordonnée. e 1

22 Quantile. Pour tout α (0, 1), le d ordre α de la distribution F X est la quantité x α = inf fx < : F X (x) αg, c est-à-dire que x α est la plus petite valeur pour laquelle la probabilité que la variable aléatoire X prenne des valeurs plus petites ou égales à x α est plus grande ou égale à α. Pourquoi ne pas avoir dé ni le d ordre α comme étant la quantité x α satisfaisant l équation e F X (x α ) = α?

23 Quantile Fonction de répartion et e α x α 3

24 Quantile α Fonction de répartion et e x α 4

25 Quantile θ α Fonction de répartion et e x α 5

26 Mise en contexte Lorsque le portefeuille est constitué d instruments nombreux et complexes, il n est généralement pas possible de connaître analytiquement la distribution de la valeur du portefeuille à un instant futur donné. On peut alors procéder par simulation. Dans d autres cas, l estimation d un se fait par échantillonnage. e 6

27 L échantillon et la notation I Dans ce qui suit, X 1, X,..., X n représente un échantillon constitué de variables aléatoires indépendantes et identiquement distribuées à la variable aléatoire X de fonction de répartition F X. De plus, X (1), X (),..., X (n) désigne le même échantillon ordonné, c est-à-dire que e X (1) X ()... X (n). 7

28 Fonction de répartition empirique I I. La fonction de répartition empirique construite à partir de l échantillon X 1, X,..., X n de taille n est 8x <, F (n) X (x) = 1 n n 1 fxi x g i=1 où la fonction caractéristique 1 fxi x g vaut 1 si X i x et 0 sinon. I Pour un nombre réel x xé, F (n) X (x) est la proportion des observations de l échantillon qui sont inférieures ou égales à x. e 8

29 Fonction de répartition empirique II I Portion d une fonction de répartition empirique 5n 1 4n 1 3n 1 n 1 n 1 e X () X (1) X (4) X (3) 9

30 L estimation ponctuelle d un I. Pour tout α (0, 1), l estimateur bx (n) α du d ordre α de la distribution F X est la quantité bx (n) α = inf n o x < : F (n) X (x) α où F (n) X est la fonction de répartition empirique. I pragmatique. Notons que si k 1 k f1,,..., ng, alors bx (n) α puisque k 1 < nα k n < α k n, = X (k). Par conséquent, e bx (n) α = X (dnαe) = X (k). où dxe est le plus petit entier supérieur ou égal à x (et bxc est le plus grand entier inférieur ou égal à x). 30

31 Exemple Exemple. α = 0.5. Nous voulons évaluer le d ordre n nα dnαe e 31

32 Exemple Exemple. Nous voulons évaluer le d ordre α = 0.1% = n nα dnαe e 3

33 La notation I Soit x α, le d ordre α de la distribution F X. Dé nissons les variables aléatoires 1 si Xi x ξ i = α, i f1,,..., ng 0 sinon et ξ = n i=1 ξ i. I ξ représente le nombre d observations inférieures où égales à x α. e 33

34 I Puisque ξ est une somme de variables aléatoires indépendantes et distribuées selon une loi de Bernoulli de paramètre θ = P (ξ i = 1) = F X (x α ), alors ξ est de loi binomiale(n, θ). I Notons que si x α n est pas un point de discontinuité de la fonction F X, alors θ = α. Sinon θ > α. e Fonction de répartion et θ α x α 34

35 Construction de l I Rappelons que X (1) X ()... X (n) dénote notre échantillon ordonné. I Si a f1,,..., ng, alors ξ a si et seulement s il y a au moins a observations inférieures ou égales à x α, c est-à-dire si X (a) x α. I Si b f1,,..., ng, alors ξ < b si et seulement s il y moins de b observations inférieures ou égales à x α, c est-à-dire X (b) > x α. e 35

36 Utilisation de l approximation normale I Remarquons aussi que, puisque ξ = n i=1 ξ i est de loi binomiale(n, θ), alors lorsque la taille n de la simulation est très grande, il est possible d approcher la distribution de ξ par une distribution normale(nθ, nθ (1 θ)). I Plus θ est près de 0 ou de 1, plus la taille de la simulation devra être grande pour que l approximation soit de bonne qualité. Or, dans le cas de l estimation d une valeur à risque, le θ sera petit. e 36

37 Utilisation de l approximation normale I Rappel : ξ a, X (a) x α et ξ < b, X (b) > x α. p I Posons, β = z β nθ (1 θ). I Si Z N(0, 1), alors h i 1 β = P z β Z < z β " # = P ξ nθ z β p < z β nθ (1 θ) = P nθ β ξ < nθ + β P nθ β ξ < nθ + β h i = P X (bnθ βc) x α < X (dnθ+ βe). e 37

38 L I En résumé, h X (b ), X (b ) est un de niveau 1 où q b = nθ nθ (1 θ) et b = z β nθ + z β q nθ (1 θ) β pour x α e I Notons que θ = F X (x α ) n est pas toujours connu, rendant di cile le calcul de b et b. Cependant, dans le cas où F X est une fonction continue, nous avons θ = F X (x α ) = α. 38

39 Exemple I Exemple. Supposons que la taille de l échantillon est et que θ = 1%. Nous voulons un intervalle de con ance de niveau de con ance 95%. Comme alors b = = 938 z.5% = q (1 10 ) e et b = q (1 10 ) =

40 I 1. Évaluer le d orde 1% de la valeur dans 10 jours d un portefeuille de 10 options d achat ( pour chaque prix d exercice K /S 0 f0, 8; 0, 9 ; 1 ; 1, 1 ; 1, g d échéance T = 90 jours dans le contexte NGARCH présenté précédemment.. Donner l estimation ponctuelle ansi que les intervalles de con ance de niveau 95% pour chaque taille d échantillon. 3. Attention! Pour les 10 premiers jours, le processus doit être simuler sous la mesure de probabilité "réelle", c est-à-dire que le prix S t de l actif sous-jacent à la t ième journée, sous la mesure P, est, 8t f0, 1,,...g, e ln S t+1 S t = ρ + λ p h t+1 1 h t+1 + p h t+1 ɛ P t+1 h t+1 = β 0 + β 1 h t + β h t (ɛ P t e λ λ ) 40

41 II où ɛ P t : t N est une suite de variables aléatoires gaussiennes (d nulle et de variance unitaire) indépendantes sous la mesure P. λ = 0, Vous devez faire varier le nombre de scénarios utilisés pour l évaluation de la distribution du portefeuille au jours t = 10 mais aussi le nombre de scénarios utilisés pour évaluer les options. 4.1 Simuler m valeurs pour le couple (S, h) au temps t = 10 en utilisant la dynamique sous P. 4. Pour un couple (S, h) donné, évaluer les options à l aide de n trajectoires. Il faut utiliser la dynamique sous Q avec une échéance de 80 jours. 5. Votre document devra 5.1 décrire votre procédure de simulation, 5. justi er les choix concernant votre implémentation, 5.3 présenter vos résultats et les commenter. e 41

42 Deuxième moment I Calculons le deuxième moment. Comme Var [X ] + (E [X ]) = E X, σ + θ Variance d une option d achat dans le contexte Black et Scholes = E Q e rt max (S K ; 0) h = E max Q Se rt Ke rt i ; 0 = E Q "max ν s 0 exp T + νt 1/ Z Ke rt ; 0!# où Z est une variable aléatoire normale centrée et réduite. Le reste du calcul ne fait qu intervenir des propriétés de la loi normale. Comme s 0 exp ν T + νt 1/ z > Ke rt si et seulement si z > ln (s 0) ln (K ) + ν p T r ν T = d + ν p T, 4

43 Deuxième moment II Variance d une option d achat dans le contexte Black et Scholes alors = E Q "max Z d +ν p T ν s 0 exp T + νp T Z ν s 0 exp T + νp T z Ke rt ; 0!# Ke rt f Z (z) dz où f Z (z) représente une fonction de densité d une variable aléatoire gaussienne centrée et réduite. 43

44 Résolution de l intégrale I La dernière expression est égale à Z = s0 d +ν p exp T Z s 0 K d +ν p exp T ν T + ν p T z f Z (z) dz r + ν T + ν p T z f Z (z) dz Variance d une option d achat dans le contexte Black et Scholes Z +K e rt d +ν p f Z (z) dz T Z = s0 1 z d +ν p p 4ν p! T z + ν T exp dz T π 0 Z 1 s 0 K d +ν p p z ν p T z + T π Z +K e rt 1 z d +ν p p exp dz T π r + ν T 1 A dz 44

45 Résolution de l intégrale II Complétons les carrés : Z = s0 ν exp T d +ν p T Z s 0 K exp ( rt ) d +ν p T Z +K exp ( rt ) d +ν p T = s 0 eν T Z d ν p T Z +K e rt d +ν p T = s0 T eν 1 N d +K e rt 1 N 1 p π exp 1 1 p exp π z ν p T dz 1 1 p exp z ν p T dz π 1 z p exp dz π w Z dw s 0 Ke rt d 1 z p exp dz π ν p T s 0 Ke rt (1 N ( d)) d + ν p T 1 p π exp Variance d une option d achat dans le contexte Black et Scholes w dw 45

46 Résolution de l intégrale III Variance d une option d achat dans le contexte Black et Scholes Mais la symétrie de f Z implique que la fonction de répartition d une variable aléatoire gaussienne centrée et réduite satisfait 1 N (x) = N ( x). Alors σ + θ = s0 eνt N d + ν p T s 0 Ke rt N (d) +K e rt N d ν p T. 46

47 Calcul de la variance I Comme θ = s 0 N (d) σ = σ + θ θ Ke rt N d ν p T, alors Variance d une option d achat dans le contexte Black et Scholes = s0 eνt N d + ν p T +K e rt N d νt 1/ s 0 Ke rt N (d) s0 [N (d)] + s 0 Ke rt N (d) N h K e rt N d ν p i T d ν p T h = s0 e νt N d + ν p T (N (d)) i s 0 Ke rt N (d) 1 N d ν p T +K e rt N d ν p T 1 N d ν p T. 47

Principes de Finance

Principes de Finance Principes de Finance 13. Théorie des options II Daniel Andrei Semestre de printemps 2011 Principes de Finance 13. Théorie des options II Printemps 2011 1 / 34 Plan I Stratégie de réplication dynamique

Plus en détail

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo La simulation de Monte Carlo des processus de diffusion Les méthodes stochastiques dans les sciences de la gestion 6-640-93 Geneviève Gauthier Plan de la présentation La simulation de Monte Carlo La simulation

Plus en détail

Estimation et calibration des paramètres

Estimation et calibration des paramètres et calibration des paramètres 6-601-09 Simulation Monte Carlo Geneviève Gauthier HEC Montréal 1 1. Nous allons discuter des diverses façons de déterminer les paramètres des modèles que nous employons lors

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal.

Processus de Poisson. 3-602-84 Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne 2007. HEC Montréal. Processus de Poisson 3-602-84 Modèles probabilistes et stochastiques de la gestion Geneviève Gauthier HEC Montréal Automne 2007 1 Références Ce texte a été librement inspiré de notes prises au cours de

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Chapitre 17 Le modèle de Black et Scholes

Chapitre 17 Le modèle de Black et Scholes Chapitre 17 Le modèle de Black et Scholes Introduction Au début des 70 s, Black, Scholes et Merton ont opéré une avancée majeure en matière d évaluation d options Ces contributions et leurs développements

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Loi binomiale Lois normales

Loi 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 détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

Plus en détail

CONCOURS 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) 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

Propriétés des options sur actions

Propriétés 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 détail

Feuille n 2 : Contrôle du flux de commandes

Feuille n 2 : Contrôle du flux de commandes Logiciels Scientifiques (Statistiques) Licence 2 Mathématiques Générales Feuille n 2 : Contrôle du flux de commandes Exercice 1. Vente de voiture Mathieu décide de s acheter une voiture neuve qui coûte

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

Plus en détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master 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 détail

Introduction aux sondages

Introduction aux sondages Service Universitaire d Enseignement à Distance Licence AES - Troisième année Introduction aux sondages Université Rennes 2 Place du Recteur H. le Moal CS 24307-35043 Rennes Tel : 02 99 14 18 21 Mel :

Plus en détail

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option (Public2014-B1) Résumé : On présente un exemple de système de deux espèces en compétition dans un environnement périodique.

Plus en détail

Chapitre VI Échantillonages et simulations

Chapitre VI Échantillonages et simulations Chapitre VI Commentaires : Récursivement, les commentaires ne sont pas à l attention des élèves.. Fluctuation d échantillonnage Définition : En statistiques, un échantillon de taille n est la liste des

Plus en détail

Introduction à la programmation sous Scilab : TP auto-correctifs II

Introduction à la programmation sous Scilab : TP auto-correctifs II Introduction à la programmation sous Scilab : TP auto-correctifs II Licence de Physique à distance Table des matières I Vecteurs et matrices (II) 1 a) Vecteurs........................................ 1

Plus en détail

Aire sous une courbe et calcul de primitives

Aire sous une courbe et calcul de primitives Aire sous une courbe et calcul de primitives Le calcul de primitives d une fonction et celui de l aire de la surface bordée par le graphique de cette fonction sont intimement liés. Les exemples qui suivent

Plus en détail

MATHÉMATIQUES FINANCIÈRES I

MATHÉMATIQUES FINANCIÈRES I MATHÉMATIQUES FINANCIÈRES I Cinquième cours Taux instantané constant Taux instantané constant Date de comparaison Taux instantané constant Date de comparaison Diagramme d entrées et sorties Taux instantané

Plus en détail

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein 1 Examen 1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein On considère une option à 90 jours sur un actif ne distribuant pas de dividende de nominal 100 francs, et dont le prix

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Statistique (MATH-F-315, Cours #1)

Statistique (MATH-F-315, Cours #1) Statistique (MATH-F-315, Cours #1) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton

3. Evaluer la valeur d une option. 1. Arbres binomiaux 2. Modèle de Black, Scholes et Merton 3. Evaluer la valeur d une option 1. Arbres binomiaux. Modèle de Black, choles et Merton 1 Les arbres binomiaux ; évaluation des options sur actions Cox, Ross, Rubinstein 1979 Hypothèse absence opportunité

Plus en détail

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Evaluation et couverture de produits dérivés» Etudiants : Colonna Andrea Pricing d'un Call Lookback par Monte Carlo et Ponts Browniens Rapport de Projet

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Le modèle de Black et Scholes

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 détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites 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

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe commune aux séries ES, L et S : boîtes et quantiles Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans

Plus en détail

Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti»

Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti» Correction de l exercice 2 du cours Gestion de patrimoine : «Analyse d un produit structuré à capital garanti» Question 1 : représenter graphiquement le taux de rentabilité du produit à capital garanti

Plus en détail

Examen d accès - 1 Octobre 2009

Examen d accès - 1 Octobre 2009 Examen d accès - 1 Octobre 2009 Aucun document autorisé - Calculatrice fournie par le centre d examen Ce examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses sont

Plus en détail

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.

Actuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free. Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement

Plus en détail

Suites numériques 4. 1 Autres recettes pour calculer les limites

Suites 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 détail

MATHÉMATIQUES FINANCIÈRES I

MATHÉMATIQUES FINANCIÈRES I MATHÉMATIQUES FINANCIÈRES I Deuxième cours Rappel: Intérêt Rappel: Intérêt Fonction de capitalisation 1 Rappel: Intérêt Fonction de capitalisation Fonction d accumulation Rappel: Intérêt Fonction de capitalisation

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence 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 détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

géométrique et u n = 3(2) n. Cela donne au total :

géométrique et u n = 3(2) n. Cela donne au total : Leçon N 2 : Les suites Rappels importants Il y a deux façons de décrire une suite On nous donne la fonction qui permet de fabriquer ces termes : u n = f (n), n N. Exemple : u n = n² n N, cela donne 0 ;

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

Plus en détail

Modèles en temps continu pour la Finance

Modèles en temps continu pour la Finance Modèles en temps continu pour la Finance ENSTA ParisTech/Laboratoire de Mathématiques Appliquées 23 avril 2014 Evaluation et couverture pour les options européennes de la forme H = h(s 1 T ) Proposition

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques (605) GESTION DE STOCK À DEMANDE ALÉATOIRE Résumé : Chaque mois, le gérant d un magasin doit

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Hedging delta et gamma neutre d un option digitale

Hedging delta et gamma neutre d un option digitale Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing

Plus en détail

3. Caractéristiques et fonctions d une v.a.

3. Caractéristiques et fonctions d une v.a. 3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions

Plus en détail

Moments des variables aléatoires réelles

Moments 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 détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Simulations de Monte Carlo en finance : Pricer d option

Simulations de Monte Carlo en finance : Pricer d option Emma Alfonsi, Xavier Milhaud - M2R SAF Simulations de Monte Carlo en finance : Pricer d option Sous la direction de M. Pierre Alain Patard ISFA - Mars 2008 . 1 Table des matières 1 Introduction 4 2 Un

Plus en détail

Chapitre 15 Options et actifs conditionnels. Plan

Chapitre 15 Options et actifs conditionnels. Plan Chapitre 15 Options et actifs conditionnels Plan Fonctionnement des options Utilisation des options La parité put-call Volatilité et valeur des options Les modèles de détermination de prix d option Modèle

Plus en détail

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx

ECRICOME 2004. Voie Eco. 1 1 + x. f (x) dx n N, u n = 1. 0 xn f (x) dx ECRICOME 2004 Voie Eco 1 EXERCICE 1 EXERCICE Soient f la fonction numérique de la variable réelle définie par : x R, f (x = 1 2 et (u n la suite de nombres réels déterminée par : { u 0 = 1 f (x dx 0 n

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Comment programmer de façon e cace et quelques particularités de Matlab

Comment programmer de façon e cace et quelques particularités de Matlab Comment programmer de façon et quelques particularités de 6-601-09 Simulation Monte Carlo Geneviève Gauthier HEC Montréal et les 1 et les Peu importe le langage utilisé, il y a deux composantes importantes

Plus en détail

La mesure de Lebesgue sur la droite réelle

La 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 détail

14. Introduction aux files d attente

14. Introduction aux files d attente 14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files

Plus en détail

Principes de Finance

Principes de Finance Principes de Finance 12. Théorie des options I Daniel Andrei Semestre de printemps 211 Principes de Finance 12. Théorie des options I Printemps 211 1 / 43 Plan I Introduction II Comprendre les options

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration 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 détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 MATHS/STATS. 1 Généralités sur les tests statistiques 2 UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2013 2014 Master d économie Cours de M. Desgraupes MATHS/STATS Document 4 : Les tests statistiques 1 Généralités sur les tests

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Chapitre 4 : construction de portefeuille (I)

Chapitre 4 : construction de portefeuille (I) Chapitre 4 : construction de portefeuille (I) 25.10.2013 Plan du cours Risque et rentabilité : un premier aperçu Mesures traditionnelles du risque et rentabilité Rentabilité historique des actifs financiers

Plus en détail

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES

CHAPITRE 2 SUITES RÉELLES ET COMPLEXES CHAPITRE SUITES RÉELLES ET COMPLEXES Les suites sont un objet fondamental à la fois en mathématiques et dans l application des mathématiques aux autres sciences. Nous verrons dans ce cours et les travaux

Plus en détail

Séminaire de Statistique

Séminaire de Statistique Master 1 - Economie & Management Séminaire de Statistique Support (2) Variables aléatoires & Lois de probabilité R. Abdesselam - 2013/2014 Faculté de Sciences Economiques et de Gestion Université Lumière

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Chapitre 4 NOTIONS DE PROBABILITÉS

Chapitre 4 NOTIONS DE PROBABILITÉS Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 4 NOTIONS DE PROBABILITÉS Les chapitres précédents donnent des méthodes graphiques et numériques pour caractériser

Plus en détail

Apprentissage par renforcement (1a/3)

Apprentissage par renforcement (1a/3) Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Méthodes de Monte Carlo pour le pricing d options

Méthodes de Monte Carlo pour le pricing d options Méthodes de Monte Carlo pour le pricing d options Mohamed Ben Alaya 14 février 2013 Nous allons tester les différentes méthodes probabilistes vu dans le cours en l appliquant au calcul du call ou le put

Plus en détail