[PDF] [PDF] EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option





Previous PDF Next PDF



[PDF] TD 7 : Martingales théorème darrêt Corrigé

Solution de l'exercice 1 Les temps T1 T2 et T4 sont des temps d'arrêts car à chaque fois l' Soit T un temps d'arrêt pour une filtration (Fn)n?0



[PDF] Processus stochastiques et temps darrêt Exercices

13 mar 2004 · g) Démontrez que le premier instant ou la tirelire est vide est un temps d'arrêt Exercice 2 2 Soit (?T) un espace probabilisable tel que 



[PDF] TD 6 : Conditionnement martingales théorème darrêt Corrigé - ENS

Exercice 2 (Convergence L2 des martingales rétrogrades) Solution de l'exercice 5 Les temps T1 T2 et T4 sont des temps d'arrêts car à chaque fois l' 



[PDF] TD Master 2 – Martingales et calcul stochastique

Corrigé des exercices du chapitre 5 – Temps d'arrêt Exercice 5 1 Démontrer la Proposition 5 3 1 : 1 Si N et M sont des temps d'arrêt alors N ? M et N 



[PDF] ISFA Vincent Lerouvillois Processus stochastiques

Le processus stochastique (Yn)n?N est donc une martingale Exercice 3 : Propriétés des temps d'arrêt Soit (Fn)n?N une filtration et soient S et T deux temps 



[PDF] Feuille dexercices 2 Temps darrêt et marche aléatoire simple sur Z

Processus stochastiques – Feuille d'exercices 2 Temps Soit TT1T2 des temps d'arrêt et k ? N On note a ? b = max{a b} et a ? b = min{a b}



[PDF] martingales et temps darrêt - LPSM

Exercice 1 (Temps d'arrêt) suivantes lesquelles sont des temps d'arrêt ? Exercice 2 (Quelques martingales du mouvement brownien)



[PDF] TD Processus Stochastiques 1 : Temps darrêt - Université dAngers

TD Processus Stochastiques 1 : Temps d'arrêt Exercice 1 Aujourd'hui lundi vous avez un dollar dans votre tirelire `A partir de



[PDF] EXERCICES DE CALCUL STOCHASTIQUE DESS IM Evry option

Soit T un temps d'arrêt Montrer que le processus Xt = 11]0T ](t) est adapté Exercice 1 5 4 Comparaison de tribus Soit S et T deux temps d'arrêt tels



[PDF] CCM_TD2pdf - Ceremade

Contrôle des chaînes de Markov Année : 2021-2022 Feuille d'exercices 2 Arrêt optimal Exercice 1 Soit X une v a intégrable et T un temps d'arrêt d'une 



Processus stochastiques et temps d’arrêt Exercices - HEC

Est-ce que la somme de ces deux temps d’arrêt est aussi un temps d’arrêt ? Si oui démontrez-le Sinon donnez un contre exemple Exercice 2 6 On lance deux dés et on observe le nombre X de points sur le pre-mier et le nombre Y de points sur le deuxième Nous recevrons un paiment d’un mon-tant de max(XY) au temps ? = min(XY)



TD Processus Stochastiques 1 : Temps d’arr^et - univ-angersfr

7 D emontrez que le premier instant ou la tirelire est vide est un temps d’arr^et Exercice 2 On lance deux d es et on observe le nombre Xde points sur le premier et le nombre Y de points sur le deuxi eme Nous recevrons un paiment d’un montant de max (X;Y) au temps ?= min(X;Y) Le processus fS t: t2f1;2;:::;6ggmod elise l’ evolution des



Processus stochastiques et temps d™arrŒt Exercices - HEC

Montrer que ? est un temps d™arrŒt Exercice 2 5 Soit ? 1 et ? 2 deux (;F;F) temps d™arrŒt oø est un ensemble fonda-mental contenant un nombre –ni d™ØlØments et F =fF t: t 2 f0;1;2;:::gg est une –ltration Est-ce que lasomme de ces deuxtemps d™arrŒt est aussi untemps d™arrŒt ? Si oui dØmontrez-le



TD 7 : Martingales théorème d’arrêt Corrigé - PSL

temps T^tvalent alors T^tet on a E[T^t] !E[T] par convergence monotone Les pertes du singesontmajoréespar26 11+2610 + +1 ettendentp s vers26 +264 +26 quandttendvers +1doncleurespérancetendvers2611 + 264 + 26 bananesparconvergencedominée 3 On obtient E[T] = 2611 soit une espérance strictement inférieure à celle du temps d’apparition



PROCESSUS STOCHASTIQUES - TD 4 MARTINGALES - TEMPS D’ARRETˆ

temps d’arret bornˆ e´ ?on a E[X ?] = E[X 0] alors X nest une martingale Correction : Le processus (X n) est int´egrable et adapt e donc il suf?t de montrer que pour´ tout n E(X n+1jF n) = X n Par la caracterisation de l’esp´ erance conditionnelle il suf?t donc de´ montrer que pour tout net pour tout A2F n on a E(X n+11 A



Université de Picardie Jules Verne Année 2010-2011 Master 1

n ?/]ab[} est un temps d’arrêt Exercice 3 1) Montrer que si ? = k est un temps d’arrêt constant alors F ? ?{? = k} = F k 2) Montrer que tout temps d’arrêt ? est F ? mesurable 3) Montrer que si (X n) est F n-adapté alors pour tout n ? N X ??n est F ? mesurable Exercice 4 (Un exemple de martingale) Soit Z une v a



Feuille d'exercices &# 2 : Martingales - univ-rennes1fr

0] pour tout temps d'arrêt borné ? On pourra considérer des temps d'arrêt Uavec T n A2F net S n+ 1 Exercice 11 Un critère de nitude ourp les temps d'arrêt Soit T un temps d'arrêt pour une ltration (F n) 0 On suppose qu'il existe ">0 et N 1 un entier tels que pour tout n 0 on a P(T n+ NjF n) >" p s Montrer que T est ni presque



Feuille d’exercice 3: Martingales discrètes et temps d’arret

temps d’arret April 5 2021 Pourchacundesexercices ditessilesa?rmations sontcorrectesou nonet justi?er Exercise 1 Soit X n des variables iid telles que E(X



Exercice de la distance d’arrêt - Formimaths

Pourra-t-il s’arrêter à temps ? 3) Léa dit : « Si je roule deux fois plus vite ma distance d’arrêt sera deux fois plus longue » A-t-elle raison ? Exercice de la distance d’arrêt La distance d’arrêt pour un automobiliste est la distance qu'il parcourt entre le moment où il voit un



Distance d’arrêt temps de réaction et distance de freinage

a) Le temps de réaction du conducteur: le temps nécessaire au conducteur pour prendre conscience de la situation et appuyer sur le frein Pour un conducteur attentif ce temps de réaction est d’une seconde environ Mais si le conducteur est fatigué ou s’il a pris des médicaments ou de l’alcool ce temps sera plus long



Temps d’arrêt Arrêt optimal - École des ponts ParisTech

? appartenant à une famille de temps aléatoires plus grande que les temps déterministes mais plus petite que tous les temps aléatoires plus grande que les temps déterministes : parce que l’on souhaite pouvoir tenir compte des valeurs de Xn au ?l du temps plus petite que tous les temps aléatoires : parce que à l’instant n



ORGANISATION DE MAINTENANCE BTS MS Exercices CONCEPT FMD TRS

Pour mesurer la maintenabilité d’un matériel on utilise le plus souvent les critères suivants : • MTTR = Mean Time To Repair = Moyenne des Temps T pour Réparer (diagnostic + réparation + remise en état) MTTR est donc le temps passé au total en réparation divisé par le nombre de pannes



Searches related to exercices temps d arret filetype:pdf

banque a une fortune de N : le jeu s’arr`ete-t-il en temps ?ni? (oui technique de temps d’arrˆet ´el´ementaire) Esp´erance du temps de jeu : k(N ?k) Probabilit´e de ruine du joueur : p k = 1? k N Ces r´esultats peuvent/doivent doivent faire l’objet d’une discussion (la meilleure illustration

EXERCICES DE CALCUL STOCHASTIQUE

DESS IM Evry, option ¯nance

Monique Jeanblanc

Octobre 2005

2

Contents

1 Rappels 7

1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

7

1.2 Variables gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . .

8 9

1.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

1.5 Temps d'arr^et . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

1.6 Temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15

1.8 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

2 Mouvement Brownien 17

17

2.2 Processus Gaussiens . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.3 Multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . .

21

2.4 Temps d'atteinte . . . . . . . . . . . . . . . . . . . . . . . . . . .

22

2.5 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25
26

2.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28

2.8 Problµeme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29
29

2.8.2 Partie II . . . . . . . . . . . . . . . . . . . . . . . . . . . .

30

2.8.3 Partie III . . . . . . . . . . . . . . . . . . . . . . . . . . .

30
33

3.2 Formule d'It^o . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

34

3.3 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . .

39
40
42

3.6 Le crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

43

3.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

44
3

4CONTENTS

49

4.2 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

54
56

5 Exemples 59

5.1 Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . . .

59
61

5.3 Autres processus. . . . . . . . . . . . . . . . . . . . . . . . . . . .

64

5.4 Des calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

64

6 Girsanov 67

67

6.2 Crochet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

69

6.3 Processus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

69

6.4 Cas multidimensionel . . . . . . . . . . . . . . . . . . . . . . . . .

75

6.5 Temps d'arr^et. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

76

6.6 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

78
87
88
92

7.4 Temps local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

92

7.5Lois. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

93

7.6 Filtrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

94

7.7 Options barriµeres . . . . . . . . . . . . . . . . . . . . . . . . . . .

95
96

7.9 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

96

8 Processus µa sauts 99

8.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . .

99
101

8.3 Formule d'It^o . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

102
103
103

1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

107

1.2 Variables gaussiennes. . . . . . . . . . . . . . . . . . . . . . . . .

108
111

1.4 Martingales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

113

1.5 Temps d'arr^et . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

114

1.6 Temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

115
115

1.8 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

115

CONTENTS5

117

2.2 Processus Gaussien . . . . . . . . . . . . . . . . . . . . . . . . . .

121

2.3 Multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . .

124

2.4 Temps d'atteinte . . . . . . . . . . . . . . . . . . . . . . . . . . .

125

2.5 Scaling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

127
127

2.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

129
131

3.2 Formule d'It^o . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

132

3.3 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . .

137
138
139

3.6 Le crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

142

3.7 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

142
145

4.2 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

149
151

5.1 Processus de Bessel . . . . . . . . . . . . . . . . . . . . . . . . . .

153
155

5.3 Autres processus . . . . . . . . . . . . . . . . . . . . . . . . . . .

155

5.4 Des Calculs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

156
159

6.2 Crochet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

160

6.3 Processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

160

6.4 Cas multidimensionnel . . . . . . . . . . . . . . . . . . . . . . . .

163

6.5 Temps d'arr^et . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

163

6.6 Finance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

165
167
168
168

7.4 Temps local. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

168

7.5Lois. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

170

7.6 Filtrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

170

7.7 Options barriµeres . . . . . . . . . . . . . . . . . . . . . . . . . . .

171
172

6Rappels

8.1 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . .

175
177
178

Chapter 1

Rappels

1.1 Tribu

Exercice 1.1.1

Ensembles appartenant µa une tribu.

1. Montrer que siFest une tribu, et siAetBappartiennent µaFavec ne sont pas dansA. 2.

Montrer que 11

B¡A= 11B¡11A.

3. Montrer que siCetDappartiennent µaF, alorsC¢Ddef=fC\Dcg [ fCc\Dgaussi.

Exercice 1.1.2

Exemples de tribus.

1. 2.

Exercice 1.1.3

Fonctions indicatrices.

On note 11

Ala v.a. qui vaut 1 pour!2Aet 0 sinon.

1.

Montrer que 11

A\B= 11A11B.

2.

Montrer que, siA\B=;, on a 11A[B= 11A+ 11B.

3.

Montrer que 11

A[B= 11A+ 11B¡11A\B.

Exercice 1.1.4

Union et intersection.

SoitF1etF2deux tribus. Montrer queF1\ F2est une tribu. Montrer qu'en

Exercice 1.1.5

Tribu grossie par un ensemble.(*)

7

8Rappels

Exercice 1.1.6

est la plus petite sous tribuFtelle queXsoit mesurable de (;F) dans (IR;B).

Exercice 1.1.7

Lois de v.a.

telles queXloi=ZetYloi=T. 1.

ComparerE(f(X)) etE(f(Z)).

2.

ComparerE(X2Y) etE(Z2T).

3.

ComparerE(f(X)g(Y)) etE(f(Z)g(T)).

4.

ComparerE(f(X;Y)) etE(f(Z;T)).

1.2 Variables gaussiennes

Exercice 1.2.1

Moments.

SoitXune v.a.r. de loiN(0;¾2). CalculerE(X3),E(X4),E(jXj) etE(jX3j).

Exercice 1.2.2

Moments.SoitXun v.a. normale. Calculer les moments de e X.

Exercice 1.2.3

Exponentielles.SoitNune v.a. de loiN(0;1). Calculer

E(exp(aN2+bN)). Montrer queE(expa2

2

N2) =E(expaNN0) avecNetN0

i.i.d.

Exercice 1.2.4

Exercice 1.2.5

SoitXune v.a.r. de loiN(m;¾2).

1.

Quelle est la loi de

X¡m

? CalculerEjX¡mj. 2.

Montrer queE(e¸X) = exp(¸m+1

2

¸2¾2). CalculerE(Xe¸X).

3.

Soit ©(x) =1

p

2¼Z

x ¡1 e¡y2 2 dy. Calculer, dans le casm= 0 et¾= 1 la valeur deE(11X·bexp¸X) en fonction de (©;¸;b). 4. CalculerE(expf¸X2+¹Xg) pour 1¡2¸¾2¸0. 5. Montrer queE(eµXf(X)) =emµ+¾2µ2=2E(f(X+µ¾2) pourfcontinue 6. 7.

Montrer que siGest une va de loiN(0;1)

E(eaGN(bG+c)) =ea2=2N(c+ab

p 1 +b2

Exercice 1.2.6

Convergence.

Soit (Xn;n¸1) une suite de v.a. gaussiennes qui converge dansL2versX.

Quelle est la loi deX?

Exercice 1.2.7

Vecteur gaussien.SoitXun vecteur gaussien µa valeurs dans IR

Exercice 1.2.8

Exercice 1.2.9

Projection.(*)

Z=P

PrXdeAtel que

E((X¡PrX)Z) = 0;8Z2 A

Montrer queX= (X1;X2;:::;Xd) etY= (Y1;:::;Yn) sont deux vecteurs On supposed= 1. Montrer quePrXest une v.a. gaussienne¾(Y) mesurable,

Exercice 1.2.10

deux v.a.r. telles queYest gaussienne et la loi conditionnelle deXµaYest queE(exp(¸X)jY=y) = exp(¸(ay+b)+¸2 2

¾2). Montrer que le couple (X;Y)

est gaussien.

Exercice 1.3.1

Montrer que

E(Y E(XjG)) =E(XE(YjG))

10Rappels

Exercice 1.3.2

Montrer que siX2L2etE(XjG) =YetE(X2jG) =Y2alors

X=Y.

Exercice 1.3.3

Exercice 1.3.4

CalculerE(11X·tjM).

Exercice 1.3.5

met de variance¾2. On suppose queYestG-mesurable. CalculerE(X¡YjG):

Exercice 1.3.6

Vecteur gaussien(*)Suite de l'exercice 1.2.9

PrX.

Exercice 1.3.7

G, queX2estGmesurable et queX1est gaussienne.

1.

CalculerE(XjG) et var (XjG).

2.

CalculerE(e¸XjG).

Exercice 1.3.8

Cov(Z1;Z2jG) =E(Z1Z2jG)¡E(Z1jG)E(Z2jG):

Montrer que

Cov(Z1;Z2jG) =E[(Z1¡E(Z1jG))Z2jG]:

Exercice 1.3.9

Tribu grossie.

GetA. (Voir exercice 1.1.5). On admettra que les v.a.Zqui sontHmesurables

E(XjH) =E(X11AjG)

E(11AjG)11A+E(X11AcjG)

E(11AcjG)11Ac

Exercice 1.3.10

E(aX+bjZ) =aE(XjY) +b.

Exercice 1.3.11

Grossissement progressif(*) SoitFune tribu. On con- 1. 2. Montrer que, siXest une v.a.Fmesurable,E(XjG)111·¿=A111·¿oµuA est une constante. Montrer queA=E(X111·¿)=P(1·¿).

Exercice 1.3.12

E(X1jG1)E(X2jG2).

Exercice 1.3.13

Exercice 1.3.14

Formule de Bayes.SoitdQ=LdPsur (;F) etGune

sous-tribu deF. Montrer que E

Q(XjG) =EP(XjG);8X2 F

si et seulement siLestGmesurable.

Exercice 1.3.15

Exercice 1.3.16

trations. 1. the¾-algebrasF1andGtare conditionally independent givenFt. (H2)8F2 F1;8Gt2 Gt;E(FGtjFt) =E(FjFt)E(GtjFt) (H3)8t;8Gt2 Gt;E(GtjF1) =E(GtjFt) (H4)8t;8F2 F1;E(FjGt) =E(FjFt). 2. SoitFetGdeux ¯ltrations telles queFt½ Gt. Montrer que (H) EveryF-square integrable martingale is aG-square integrable mar- tingale 3. (H5)8s·t;P(¿·sjF1) =P(¿·sjFt).

1.4 Martingales

L'espace est muni d'une ¯ltration (Ft).

Exercice 1.4.1

(E(XjFt);t¸0) est une martingale.

12Rappels

Exercice 1.4.2

Surmartingale.On dit queMest une surmartingale si

-E(MtjFs)·Ms;8s·t Le processusMest une sousmartingale si¡Mest une surmartingale. 1. (As·At;8s·t) alorsM¡Aest une surmartingale. 2.

SoitMune martingale. Que peut-on dire deM2?

3. SoitMune martingale telle queE(M21)<1. Montrer que suptE(M2t)< 1. 4. Montrer qu'une surmartingale telle queE(ZT) =E(Z0) est une martin- gale sur [0;T].

Exercice 1.4.3

Martingale locale.Montrer qu'une martingale locale posi- tive est une surmartingale.

Exercice 1.4.4

Martingale en fonction de la valeur terminale.SoitX une martingale telle queXT=³. ExprimerXten fonction de³pourt < Tau

Exercice 1.4.5

suivant: Lemma: LetÁbe an adapted bounded process. Then (Yt=Mt¡Z t 0 sds;0· t·T) for some martingaleMif and only if Y t=E[Z T t sds+YTjFt]

Exercice 1.4.6

Montrer que

1.

E((Mt¡Ms)2jFs) =E(M2tjFs)¡M2spourt > s.

2.

E((Mt¡Ms)2) =E(M2t)¡E(M2s) pourt > s.

3.

Exercice 1.4.7

Projection de martingale.Montrer que siMest uneFt- martingale, c'est aussi une martingale par rapport µa sa propre ¯ltrationGt= ¾(Ms;s·t). SoitHt½ Ft. Montrer queYt=E(MtjHt) est uneHt-martingale.

Exercice 1.4.8

Une sousmartingale.Soit¿une v.a. positive. Montrer que Z t=P(¿·tjFt) est une sousmartingale.

Exercice 1.4.9

Exemples de martingales.

1. 2.

SoitXune chaine de Markov. Montrer que

X s·tf(Xs¡;Xs)¡Z t 0Xq

Xs;jf(Xs;j)ds

est une martingale.

Exercice 1.4.10

et¿= infft:Mt= 0g. Montrer queMest nulle surt > ¿.

1.5 Temps d'arr^et

Exercice 1.5.1

d'arr^et. Montrer queF¿est une tribu.

Exercice 1.5.2

Exercice 1.5.3

Exercice 1.5.4

Comparaison de tribus.SoitSetTdeux temps d'arr^et tels queS·T. Montrer queFS½ FT.

Exercice 1.5.5

trer queSestFS-mesurable.

Exercice 1.5.6

quotesdbs_dbs17.pdfusesText_23
[PDF] exercices tension électrique cap

[PDF] exercices texte argumentatif

[PDF] exercices théâtre mimes

[PDF] exercices théorème de rolle accroissements finis

[PDF] exercices théorème des valeurs intermédiaires pdf

[PDF] exercices théorème des valeurs intermédiaires terminale s pdf

[PDF] exercices thérapie cognitivo comportementale pdf

[PDF] exercices traitement de données 4ème

[PDF] exercices traitement de texte cycle 3

[PDF] exercices traitement du signal aléatoire

[PDF] exercices transformée de fourier+correction

[PDF] exercices triangles semblables brevet

[PDF] exercices vecteurs gaussiens

[PDF] exercices vocabulaire policier

[PDF] exercices word 2007 gratuit pdf