Probabilité
PROBABILITES /
CALCUL
STOCHASTIQUE
Prof. Pierre Devolder
(UCL)
2009
Table des matières
•
•
•
•
•
•
•
1. Eléments de probabilités
2. Processus stochastiques
3. Le mouvement brownien
4. Intégration stochastique
5. Equations différentielles stochastiques
6. Théorème de Girsanov
7. Représentation de Feynman- Kac
UCL Devolder
2
1. Probabilités
Notions de base de probabilité :
(Ω , ℑ)
- espace mesurable :
Avec :
Ω = un ensemble
ℑ = une sigma algèbre sur Ω
Famille de sous ensembles de Ω telle que :
(i) Φ ∈ ℑ
(ii) si A ∈ ℑ alors A c ∈ ℑ
(iii) si A i ∈ ℑ alors
U A ∈ℑ i i
UCL Devolder
3
1. Probabilités
- mesure de probabilité :
ℑ → [0,1]
Fonction P : telle que:
(i) P( φ) = 0 et P(Ω) = 1
(ii) si A i (i = 1,...) sont disjo int s :
∞
∞
i =1
i =1
P( U A i ) = ∑ P( A i )
-espace de probabilité :
triplet
UCL Devolder
(Ω , ℑ,P)
4
1. Probabilités
- variable aléatoire ( à valeurs réelles) :
Une variable aléatoire X à valeurs réelles est une fonction
ℑ mesurable:
X:Ω → R
X −1 (B) ∈ ℑ
(B= borrélien de R)
- distribution d’une variable aléatoire :
µ X (B) = P(X −1 (B))
UCL Devolder
5
1. Probabilités
- fonction de répartition d’une variable aléatoire :
Borrélien :
B = (−∞, x ]
µ X (B) = P(X −1 (B)) = FX ( x ) = P( X ≤ x )
- densité de probabilité d’une variable aléatoire :
La densité f(x) d’une variable aléatoire est la dérivée de la fonction de répartition ( si elle existe) :
dFX fX = dx UCL Devolder
6
1. Probabilités
- exemple 1 :variable aléatoire normale ( ou gaussienne) :
Une variable aléatoire X est distribuée normalement
N(m, σ 2 ) si sa fonction de densité existe est donnée par :
−
1 fX (x) = e σ 2π
UCL Devolder
( x −m )2
2σ2
7
1. Probabilités
- exemple 2 :variable aléatoire log normale :
Une variable aléatoire Y est distribuée log normalement
log N(m, σ 2 ) si il existe une variable