Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
|
|
- Théophile Pépin
- il y a 8 ans
- Total affichages :
Transcription
1 Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
2 Introduction Ce que vous avez étudié jusqu à présent: Comment les agents économiques prennent-ils leurs décisions: de consommation, de production, d offre ou de demande de travail... Comment inter-agissent ils sur un marché Analyse de l équilibre offre-demande sur le marché des biens ou du travail. Raisonnement en univers certain: Chacun observe la valeur exact des quantités achetées ou vendues. Chacun connaît les conséquences de ses actions.
3 Introduction En réalité, la plupart des décision économiques se prennent dans un environnement incertain : les agents prennent des décisions dont les conséquences ne sont pas connues avec certitude. Exemple de l assurance: sans incertitude, pas de recours à l assurance inutile de se couvrir contre un risque qui n existe pas. Exemple des décisions d investissement: sans incertitude on choisit toujours l actif qui procure le rendement le plus haut. Exemples des OGM: doit-on autoriser leur mise en circulation? Sont concernés les décideurs publics comme privés. La formalisation des problèmes de choix en incertain est donc fondamentale en économie. Premier approche : la notion de bien contingent de Debreu (1959)
4 Introduction Objectifs du cours 1 Présenter une théorie des choix dans l incertain. 2 Appliquer cette théorie à des choix pour lesquels la notion d incertitude est cruciale: assurance / placements financiers. 3 Introduire les problèmes d informations liés à la présence d incertitude. 4 Introduire une théorie de l équilibre en univers incertain.
5 Plan de la séance : Rappels de décision en incertain Les différentes formes d incertains Introduction au risque, soit l incertain probabilisé Bibliographie: Jean-Louis Cayatte, Microéconomie de l incertitude, De Boeck Octave Jokung, Microéconomie de l incertain, Dunod Mas-Colell, Whinston et Green, Microeconomic Theory, Chapitre 3, Oxford University Press
6 Prise de décision en certain Décision en certain : Le point de départ pour tout problème de décision individuel est un ensemble des alternatives possibles à partir duquel un agent fait ses choix. Pour le moment cet ensemble peut être n importe quoi, noté E. Exemple : décision pour un métier potentiel : E = {étudier le droit, étudier l économie, apprendre à jouer de la guitard}. Dans la théorie du consommateur, E est l ensemble des choix de consommation possible.
7 Relations de préférences : propriétés élémentaires Approche usuelle pour modéliser le comportement pour choix individuel : Les goûts sont résumés par une relation de préférences, qui est sa principale caractéristique. Hypothèse : les agents prennent des décision rationnelles. On note la relation de préférences par. est binaire sur l ensemble des alternatives E et permet ainsi de comparer une paire d alternatives x, y E. On en déduit deux autres relations importantes : La relation de stricte préférence,, définie par x y x y mais pas y x La relation d indifférence,, définie par x y x y et y x
8 Relations de préférences : propriétés élémentaires L hypothèse centrale est que est une relation rationnelle. Cela suppose plusieurs hypothèses : Definition 1 La relation de préférence, est dite rationnelle si elle possède les deux propriétés suivantes : La complétude : pour tout x, y E, il suit que soit x y, soit y x ou les deux. La transitivité : pour tout x, y, z E, si x y et y z alors x z. Remarque : Si une relation est complète elle est aussi Réflexive : pour tout x E x x. Symétrique pour l indifférence : pour tout x, y E, si x y alors y x.
9 Relations de préférences : propriétés élémentaires On représente les préférences par une fonction d utilité. Une fonction U(x) alloue à chaque élément x E une valeur numérique, classant ainsi les éléments de E en accord avec. Definition 2 Une fonction d utilité U : X R est une fonction représentant la relation si (x, y) E, x y U(x) U(y) Elle n a pas d existence concrète, ce qui existe, ce sont les préférences, et la fonction d utilité ne fait que les représenter. D où qu une fonction d utilité n est pas la seule représentation possible de. Pour toute fonction strictement croissante f : R R, V (X) = f(u(x)) représente les mêmes préférences que U. Proposition 1 Une relation de préférence peut être représentée par une fonction d utilité seulement si est rationnelle.
10 Relations de préférences : propriétés élémentaires Axiome 1 (Monotonicité) La relation de préférence est monotone si (x, y) E et y i x i pour tout i {1,..., L} implique y x. Axiome 2 (Convexité) La relation sur E est convexe si pour tout x E l ensemble {y E : y x} est convexe. Autrement dit, si y x et z x alors pour tout λ ]0, 1[, λy + (1 λ)z x. L hypothèse qui assure l existence d une fonction d utilité est que la relation de préférence soit continue. Axiome 3 (Continuité) Pour toutes suites de paires {(x n, y n )} + n=1 telles que xn y n pour tout n, lim n + x n = x et lim n + y n = y, on a x y. Proposition 2 Supposons que la relation de préférence rationnelle soit continue et monotone. Alors il existe une fonction d utilité continue qui représente la relation.
11 Theorie de l espérance d utilité Il est naturel d étendre cette démarche aux problèmes de choix en environnement incertain beaucoup de situations économiques font intervenir de l incertitude. Il nous faut donc développer une théorie plus spécifique.
12 Les différentes formes d incertain On peut résumer une situation d incertitude par 3 éléments: Les états de la nature = situations qui peuvent se produire Les actions réalisables par l agent Les conséquences des actions pour un état de la nature donné Toutes les situations présentant de l incertain ne sont pas également incertaines. On distingue traditionnellement le risque de l incertitude (Knight, 1921) : Risque? Exemple : jeux de poker, risque de maladie génétique; on peut calculer les probabilités des différents évènements aléatoires. Incertitude? Exemple : faut-il ou non autoriser les OGM? : le principe de précaution est un principe de droit mais qui se justifie par certains modèles de théorie de la décision en incertain.
13 Les différentes formes d incertain Deux types d incertitude : on peut éventuellement utiliser des probabilités subjectives, probabilités qu on se fabrique soit même, à partir de sa propre information, observation, expérience... Ces probabilités peuvent s écarter fortement des probabilités objectives. Néanmoins, on pourra utiliser les mêmes raisonnements pour prendre ses décisions que dans les situations risquées. incertitude est totale : la situation est tellement complexe qu on ne peut même pas décrire l ensemble des conséquences possibles des évènements, et encore moins les probabiliser.
14 Prise de décision en incertain : matrice d information On peut résumer une situation d incertitude par 3 éléments: Les états de la nature = situations qui peuvent se produire Les actions réalisable par l agent étudié Les conséquences des actions pour un état de la nature donné
15 Prise de décision en incertain : matrice d information Nous supposerons que: Le décideur connaît tous les états de la nature possibles. Le décideur connaît les conséquences de ses actions dans chaque état de la nature Dans la grande majorité des cas, ces conséquences pourront se ramener à des sommes monétaires. Le décideur connaît est capable d attribuer une probabilité de réalisation à chaque état de la nature Nous sommes dans une situation de risque. Avec ces hypthèses, une situation d incertitude peut-être résumée sous la forme d une matrice d information.
16 Prise de décision en incertain : matrice d information N états de la nature: {s 1, s 2,..., s N } L actions: {a 1, a 2,..., a L} Il y a donc N L conséquences On note c nl la conséquence de l action l l état de la nature n Matrice d information associée: s 1 s 2... s N a 1 c 11 c c N1 a 2 c 12 c c N a L c 1L c 2L... c NL
17 Prise de décision en incertain : matrice d information Exemple: Etats de la nature: accident (acc) / pas d accident (non acc) Actions: s assurer (assur) / ne pas s assurer (non assur) Conséquences (valeur de la voiture dans chacun des cas): non acc + non assur: v non acc + assur: v b acc + non assur: 0 acc + assur: z b accident pas d accident assurance z b v b pas d assurance 0 v Il manque une information pour que le décideur puisse faire son choix (choisir une action): la probabilité d occurence de chaque état de la nature.
18 Prise de décision en incertain : les loteries En univers risqué, on connaît la distribution de probabilité sur les états de la nature (l important n est pas que ce soit la vraie distribution mais que le décideur la croît vraie) On note p n la probabilité d occurence de l état de la nature s n. s 1 s 2... s N p 1 p 2... p N a 1 c 11 c c N1 a 2 c 12 c c N a L c 1L c 2L... c NL
19 Prise de décision en incertain : les loteries Exemple (suite).: La probabilité d avoir un accident est 1/10 accident pas d accident p(acc)=1/10 p(non acc)=9/10 assurance z b v b pas d assurance 0 v Choisir une action consiste à choisir des possibilités de gain auxquelles sont associées des probabilité revient à chosir entre des loteries.
20 Prise de décision en incertain : les loteries Simplifions les notations en considérant une action donnée: ensemble des conséquences est C = (x 1,..., x N ) à laquelle on associe la distribution de probabilité P = (p 1,..., p N ). La loterie correspondante est notée: avec X = [(p 1,..., p N ), (x 1,..., x N )] p n 0 n = 1,..., N et N p n = 1 n=1 Dans ce cas l ensemble des conséquences est dénombrable une loterie X est une variable aléatoire (v.a.) discrète.
21 Prise de décision en incertain : les loteries Une v.a. discrète X est définie par sa loi de probabilité: f(x) = Prob(X = x) et sa fonction de répartition: F (x) = Prob(X x) Nous pouvons calculer son espérance: N E(X) = p 1x p N x N = p nx n n=1 et sa variance: N V(X) = σx 2 = p n(x n E(X)) 2 = E(X 2 ) (E(X)) 2 n=1
22 Prise de décision en incertain : les loteries Dans certaine situation, l ensemble des conséquences n est pas dénombrable. Par exemple cet ensemble peut correspondre à un interval de la droite des réels: [a, b]. Dans ce cas une loterie correspond à une variable aléatoire continue X caractérisée par une fonction de densité de probabilité que nous noterons f(x), avec: b a f(x)dx = 1 ou, de façon équivalente, par une fonction de répartition: F (t) = P(X t) = t a f(x)dx
23 Prise de décision en incertain : les loteries Considérons la loterie X décrite par la fonction de densité f(x), nous pouvons définir: son espérance mathématique: sa variance: V(X) = σ 2 X = b a E(X) = b a xf(x)dx (x E(X)) 2 f(x)dx = E(X 2 ) (E(X)) 2
24 Prise de décision en incertain : les loteries Remarques: Dans le cas dénombrable, une loterie est souvent représentée sous forme d arbre. Les loteries associant une probabilité à chaque élément de l ensemble de conséquences sont appelées des loteries simples. Nous pouvons définir une loterie composée qui est une loterie dont l ensemble des conséquences sont des loteries simples. On notera X = αx 1 + (1 α)x 2 la loterie composée donnant la loterie X 1 avec une probabilité α et X 2 avec une probabilité 1 α. Une loterie composée peut toujours être ramenée à une loterie simple.
25 Prise de décision en incertain : les loteries Exercice 1 (Propriétés des opérateurs espérance et variance) Soit X et Y deux variables aléatoires et a et b deux réels: E(aX + b) = ae(x) + b E(aX + by ) = ae(x) + be(y ) V(aX + b) = a 2 V(X)
26 Prise de décision en incertain : les loteries Question: Comment comparer deux loteries entre elles? Dans le cas où l ensemble des conséquences est consitué de gains monétaires, il existe une réponse intuitive: comparons les gains moyens des différentes loteries.
27 Prise de décision en incertain : l exemple de l assurance Reprenons l exemple précédent: Valeur de la voiture v et probabilité d accident p. En cas d accident la voiture est detruite valeur nulle. L assuré reçoit une indeminité z en échange du paiement d une prime d assurance (z v). La prime d assurance (ou prix de l assurance) est proportionnelle à l indémnité reçue: b = βz. Loterie associée: A = [(p, 1 p), ((1 β)z, v βz)] Remarque: Ici action = choix d un niveau d assurance z [0, v].
28 Prise de décision en incertain : l exemple de l assurance Critére de l espérance de gain l individu choisit z de façon à maximiser: 3 cas possibles: E(A) = p(1 β)z + (1 p)(v βz) = (1 p)v + (p β)z 1 p < β: espérance de richesse decroît avec z z = 0. 2 p > β: espérance de richesse croît avec z z = v. 3 p = β: espérance de richesse indépendante de z z [0, v]. Problèmes: Cas 1 et 2: tout ou rien. Cas 3: indétermination du montant assuré.
29 Prise de décision en incertain : l exemple de l assurance Problèmes (suite): 1 p < β pz < βz: espérance de remboursement inférieur à la prime versée rentable pour l assureur MAIS l individu ne s assure pas... 2 p > β pz > βz: l assureur fait des pertes Il n offrira pas d assurance alors même que l individu souhaite s assurer... 3 p = β pz = βz: l assureur ne fait aucun profit. Si on admet que l assurance coûte c à mettre en oeuvre (salaire de l assureur...) on a pz + c > βz, l assureur fait des pertes On se retrouve dans le cas 2.
30 Prise de décision en incertain : le paradoxe de Saint-Petersbourg Règle du Jeu: On tire à pile ou face et le jeu se poursuit jusqu à ce que pile apparaisse. Au 1 er lancé, le joueur gagne 2 euros, la somme gagnée est doublée à chaque lancé. La valeur de cette loterie en terme d espérance de gain est infinie. Paradoxe: Personne n est prêt à payer une somme d argent importante pour jouer à ce jeu. Pb: Quand on compare deux loteries on ne s interresse pas seulement à leurs gains espérés mais aussi à leur risque.
31 Prise de décision en incertain : les fonctions de Markowitz Qui est Markovitz? Nous avons vu que l espérance de gain n était pas un critère suffisant pour évaluer une loterie. Il faut également prendre en compte le risque associé à cette loterie. Une mesure naturelle du risque associé à une variable aléatoire est sa dispersion Variance de la loterie.
32 Prise de décision en incertain : les fonctions de Markowitz Ainsi, Harry Markowiz propose de mesurer l utilité d une loterie comme une fonction de l espérance de gain et de la variance de cette loterie. Considérons un individu dont la richesse totale (W ) est composé d une partie certaine ω et d une partie aléatoire X: W = ω + X L utilité que l agent retire de sa richesse est donnée par U(W ) = f(e(w ), V(W )) avec E(W ) = ω + E(X) et V(W ) = V(X)
33 Prise de décision en incertain : les fonctions de Markowitz Hypothèse: U(W ) E(W ) > 0 A risque donné, l individu préférera toujours la richesse qui a l espérance de gain la plus élevée.
34 Prise de décision en incertain : les fonctions de Markowitz Plusieurs attitudes vis-à-vis du risque sont possibles : L individu n aime pas le risque, ou est dit risquophobe si: U(W ) V(W ) < 0 L individu est indifférent au risque, ou neutre au risque si: U(W ) V(W ) = 0 L individu aime le risque, ou est dit risquophile si: U(W ) V(W ) > 0
35 Prise de décision en incertain : les fonctions de Markowitz Spécification linéaire: U(W ) = E(W ) kv(w ) ici, k est une mesure directe de l aversion pour le risque de l individu : k > 0: individu risquophobe. k = 0: individu neutre au risque. k < 0: individu risquophile.
36 Prise de décision en incertain : assurance avec une fonction de Markowitz Nous reprenons notre exemple de l assurance avec une fonction d utilité de type Markowitz linéaire: On connaît l espérance E(A), il reste à déterminer la variance: V(A) = p[(1 β)z E(A)] 2 + (1 p)[v βz E(A)] 2 = p(1 p)(v z) 2 L utilité de l individu en fonction de z est donc: u(z) = (1 p)v + (p β)z k p(1 p)(v z) 2
37 Prise de décision en incertain : assurance avec une fonction de Markowitz On se place dans le cas où p < β L assureur fait des bénéfices. Utilité marginale d un euro de couverture en plus: u (z) = p β + 2kp(1 p)(v z) Si k 0 (individu risquophile ou neutre au risque): u/ z < 0 z = 0: pas d assurance possible. Si k > 0 (individu risquophobe): u (z) = 0 z = v β p 2kp(1 p)
38 Prise de décision en incertain : assurance avec une fonction de Markowitz Si les agents sont risquophobes, il peut exister un marché de l assurance. La demande d assurance possède des évolutions de bon sens par rapport aux paramètres du modèle : croissant en la valeur de la voiture v croissant avec le degré d aversion vis à vis du rique k croissant avec la probabilité de sinistre p décroissant avec le montant de la prime β
39 Théorie de l Espérance d Utilité : définition Le concept d espérance d utilité a été introduit par John von Neumann et Oskar Morgenstern en Qui sont von Neumann et Morgenstern? Les préférences (et donc l utilité) se définissent sur des loteries. Définition: Selon la théorie de l espérance d utilité, l utilité d une richesse aléatoire W est égal l espérance mathématique de l utilité de la richesse: U(W ) = E(u(W )) L espérance d utilité de la richesse sera alternativement noté U(W ), E(u(W )) ou parfois Eu(W).
40 Théorie de l Espérance d Utilité : définition Il est important de distinguer : La fonction d utilité espérée U(.) définie sur l ensemble des loteries (et donc sur des richesses aléatoires), souvent dénommé espérance d utilité VNM; La fonction d utilité u(.) (dite élémentaire) définie sur des montants monétaires certains, également áppelés fonctions de Bernouilli ou de VNM.
41 Théorie de l Espérance d Utilité : définition En pratique: Considérons un individu dont la fonction d utilité élémentaires est noté u(.) et considérons la loterie X = [(p 1,..., p n), (x 1,..., x N )]. A chaque élèment de l ensemble de conséquence C = (x 1,..., x N ) on peut associer un niveau d utilité: (u(x 1),..., u(x N )). L espérance d utilité correspond à l espérance mathématique de ces niveaux d utilité: U(X) = p 1u(x 1) p nu(x N ) = N p iu(x i) i=1
42 Théorie de l Espérance d Utilité : définition Espérance d utilité dans le cas continu Prenons un individu dont les préférences sont représentées par la fonction d utilité u(.). Considérons une loterie X représentée par la fonction de densité f sur l ensemble des conséquences [a, b]. La loterie X peut être évaluée par une fonction d utilité espérée U(.) de la forme: U(X) = b a u(x)f(x)dx
43 Théorie de l Espérance d Utilité : définition L espérance d utilité associe une valeur numérique à chaque loterie. Permet de classer les loteries entre elles. Un individu choisira la loterie lui rapportant l utilité espérée la plus forte Il cherchera à maximiser son espérance d utilité.
44 Théorie de l Espérance d Utilité : neutralité vis-à-vis du risque Nous avons vu que l agent neutre vis-à-vis du risque ne s intéresse qu à l espérance de gain (ou rendement) de la loterie. Pour représenter les préférences d un individu neutre au risque il suffit donc de considérer n importe quelle fonction linéaire comme fonction d utilité: u(x) = a.x + b (avec a > 0 et b R). On aura alors: U(W ) = E(u(W )) = a.e(w ) + b
45 Théorie de l Espérance d Utilité : fonctions de Markowitz Considérons une loterie W et une utilité quadratique: u(x) = a.x + b.x 2 L espérance d utilité correspondante est donnée par: E(u(W )) = ae(w ) + be(w 2 ) or E(W 2 ) = V(W ) + E(W ) 2. Ce qui donne: E(u(W )) = ae(w ) + b ( V(W ) + E(W ) 2) On obtient donc une fonction de Markowitz (non linéaire)
46 Théorie de l Espérance d Utilité : exemple de l assurance Reprenons notre exemple de l assurance, dans le nouveau cadre de l espérance d utilité, en considérant un individu dont le fonction d utilité élémentaire est: u(x) = ln(x). La loterie à laquelle fait face l individu reste A = [(p, 1 p), ((1 β)z, v βz)] et l espérance d utilité associée à cette loterie est: U(A) = p. ln((1 β)z) + (1 p). ln(v βz) L individu cherche donc le niveau de z [0, v] qui maximise cette espérance d utilité.
47 Théorie de l Espérance d Utilité : exemple de l assurance Condition de premier ordre: U z (A) = 0 z = p β v Donc, si p < β: z ]0, v[ il existe un marché de l assurance.
48 Théorie de l Espérance d Utilité : le paradoxe de Saint-Petersbourg Considérons un individu caractérisé par la fonction d utilité élémentaire u(x) = x. Quelle somme s est-il prêt à payer pour participer au jeu? Soit X la loterie associée au jeu, on cherche s tel que: u(s) = Eu(X) Exercice 2 Soit la suite dont le nème terme est: u n = q n. La somme de ses N premiers termes s écrit: N n=1 u n = u 0q 1 qn 1 q
Attitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en 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 détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailChapitre 1: Introduction à la théorie de l équilibre à prix fixes
Chapitre 1: Introduction à la théorie de l équilibre à prix fixes L3 Eco-Gestion/ Faculté de Droit, Sciences Economiques et de Gestion Plan 1 Rappels sur l utilité espérée La représentation des événements
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
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 détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
Plus en détailMicroéconomie. Objectifs du cours. Méthode de Travail. Incertain et Information. Cours d outillage et de méthode
Microéconomie Incertain et Information Objectifs du cours Cours d outillage et de méthode Vous familiariser avec l utilisation des modèles et méthodes de la microéconomie contemporaine. Vous habituer à
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en 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 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 détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailTable des matières. Avant-propos. Chapitre 2 L actualisation... 21. Chapitre 1 L intérêt... 1. Chapitre 3 Les annuités... 33 III. Entraînement...
III Table des matières Avant-propos Remerciements................................. Les auteurs..................................... Chapitre 1 L intérêt............................. 1 1. Mise en situation...........................
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 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 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 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 détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailJOHANNA ETNER, MEGLENA JELEVA
OPENBOOK LICENCE / BACHELOR Micro économie JOHANNA ETNER, MEGLENA JELEVA Sommaire Remerciements... Introduction... V VII Chapitre 1 Demande et offre sur le marché... 1 Chapitre 2 Technologie de production...
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 détailL assurance une toute petite introduction à l assurance 2008/2009 Arthur Charpentier http://blogperso.univ-rennes1.fr/arthur.charpentier/index.
L assurance une toute petite introduction à l assurance 2008/2009 http://blogperso.univ-rennes1.fr/arthur.charpentier/index.php/ L assurance «The contribution of the many to the misfortune of the few»
Plus en détailExercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010
Exercices supplémentaires sur l introduction générale à la notion de probabilité 2009-2010 Exercices fortement conseillés : 6, 10 et 14 1) Un groupe d étudiants est formé de 20 étudiants de première année
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 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 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 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 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 détailL Assurance. L Assurance
L Assurance Benjamin Leroy et Sébastien Vidal L Assurance Définition et Historique Assurance directe et privée Assurance indirecte et Assurance sociale Mutuelle Fondement économique de l assurance 2 Définition
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 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 détailApllication au calcul financier
Apllication au calcul financier Hervé Hocquard Université de Bordeaux, France 1 er novembre 2011 Intérêts Généralités L intérêt est la rémunération du placement d argent. Il dépend : du taux d intérêts
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 détailCONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel
CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne
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 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 détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailProbabilités. 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 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 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 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en 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 détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en 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 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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailSylvie Guessab Professeur à Supélec et responsable pédagogique du Mastère Spécialisé en Soutien Logistique Intégré des Systèmes Complexes
Préface Toute personne est un jour confrontée à devoir prendre une décision, qu il s agisse de l étudiant qui réfléchit à son orientation académique, du chercheur qui doit privilégier une option scientifique
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 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 détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailPLAN NOTATIONS UTILISÉES
PLAN COURS 3 AGRÉGATION ORDINALE Master IAD DMDC PATRICE PERNY LIP6 Université Paris 6 1 2 2/29 NOTATIONS UTILISÉES I) O A : ordres complets sur A P A : Préordres sur A (complets ou partiels) PC A : Préordres
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 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 détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailCHAPITRE 3. Application à la Mutualisation des Risques & à la Demande d Assurance
CHAPITRE 3 Application à la Mutualisation des Risques & à la Demande d Assurance Ce chapitre présente une première application des concepts développés dans la première partie de ce cours Il s agit de modéliser
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 détailTARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé
TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé Plan de l intervention 1 2 3 Généralités sur le fonctionnement de l assurance
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 détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailThéorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Plus en détailJeux sous forme extensive (Jeux dynamiques)
(Jeux dynamiques) Plan du chapitre ( juillet 008) / éfinitions, exemples et équivalences Arbres de jeux, information et mémoire tratégies et réduction en forme normale Équilibre de Nash parfait en sous-jeux
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 détailExercice 3 (5 points) A(x) = 1-e -0039' -0 156e- 0,039x A '() -'-,..--,-,--,------:-- X = (l_e-0,039x)2
Les parties A et B sont indépendantes. Partie A Exercice 3 (5 points) Commun à tous les candidats On considère la fonction A définie sur l'intervalle [1 ; + 00 [ par A(x) = 1-e -0039' ' x 1. Calculer la
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailMéthode : On raisonnera tjs graphiquement avec 2 biens.
Chapiittrre 1 : L uttiilliitté ((lles ménages)) Définitions > Utilité : Mesure le plaisir / la satisfaction d un individu compte tenu de ses goûts. (On s intéresse uniquement à un consommateur rationnel
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailLa dictature des 3P : Prévention, Prudence, Précaution
Assurances et gestion des risques, vol. 81(1-2), mars-avril 2013, 59-84 Insurance and Risk Management, vol. 81(1-2), March-April 2013, 59-84 La dictature des 3P : Prévention, Prudence, Précaution par Louis
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
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 détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailLa valeur présente (ou actuelle) d une annuité, si elle est constante, est donc aussi calculable par cette fonction : VA = A [(1-1/(1+k) T )/k]
Evaluation de la rentabilité d un projet d investissement La décision d investir dans un quelconque projet se base principalement sur l évaluation de son intérêt économique et par conséquent, du calcul
Plus en détailIntroduction 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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détail