Loi normale multidimensionnelle

Loi normale ou loi de Gauss Familles de loi de probabilité continues, définies sur l’ensemble des réels, complètement caractérisées par leur espérance et leur variance De distribution symétrique autour de leur espérance x ~ N (µ ,σ 2 ) f ( x) =  ( x − µ )2   exp −  2σ 2  2πσ   1 2 Exemples de lois normales Fonction de répartition Pas calculable analytiquement Calcul numérique La loi normale centrée réduite Loi normale d’espérance nulle et de variance 1 u ~ N (0,1) f (u )

Modèles KMV (Kealhofer, McQuown et Vasicek) APPROCHE STRUCTURELLE 2 où XT est la valeur de la dette à maturité T, r est le taux d’intérêt d’un placement sans risque et N (.) est la fonction de répartition de la loi normale centrée réduite. Nous savons que la variable VA suit une loi lognormale de paramètres : m = E( 1 VA,T ) = (µ − σ 2 )(T − t) VA,t 2 VA,T ) = σ 2 (T − t) VA,t s2 = V ar( De là, nous déduisons que la probabilité de défaut (lorsque VA,T < X) est donnée par : P (VA,T < X) =

ANNEE 2011 -2012 METHODES QUANTITATIVES L3 EXERCICES SUR LA LOI NORMALE EXERCICES LOI NORMALE EXERCICE 1 On sait qu’habituellement à la sortie 3 de l’autoroute sur une journée où passent de 8000 automobiles le nombre de tickets à 5€ suit une loi Normale de paramètres 3200 de moyenne et 44 d’écart type. 1. calculer la probabilité qu’au cours de cette même journée il y ait moins de 3250 voitures à

Distribution de Gumbel . . . . . . . . . . . . . . . . . . . . Distribution de frechet pour differentes valeurs de ξ . . . . . Comparaison des queues de disitributions de la loi Pareto et de la loi exponentielle . . . . . . . . . . . . . . . . . . . . . . Comparaison de la distribution empirique des returns de Total avec la loi gaussienne et q-gaussienne . . . . . . . . . . . . . . . . 7 8 9 . 14 3 1 Introduction Une donn´e outlier, ou donn´e aberrante est une observation qui se trouve

suit approximativement la loi normale N(m ; σ n ) 2.2 Loi de Mn X variable aléatoire définie sur Ω avec : E(X) = m et V(X) = σ2. Soit Mn, la VA. qui, à tout échantillon de taille n, associe la moyenne des valeurs de X sur celui-ci alors Mn a pour espérance m, et pour écart type Soit E(Mn) = m et σ(Mn) = σ σ n n De plus si X suit une loi normale, ou si n ≥ 30, alors : Année Universitaire 2010-2011 Semestre 3 1 Mn suit un loi normale.N(m , σ n )

46 – 14,56) et (34,46 + 14,56) soit entre 19,90 et 49,02 euros → la disparité des prix entre les points de vente est plus forte à Paris qu’à Bruxelles Rappel sur l’utilité de l'Ecart - Type : Si la répartition des effectifs suit une Loi Normale dite "Loi de GAUSS", alors on peut considérer que : - dans la tranche ([pic] - ; [pic] + ), on recense environ 68,27 % des effectifs totaux - dans la tranche ([pic] - 2 ; [pic] + 2 ), on recense environ 95,45 %

X une variable aléatoire réelle, de loi ou bien discrète ou bien continue, dont on veut estimer un paramètre θ. On note cette famille de lois paramétriques. Alors on définit une fonction f telle que : fθ(x) représente la densité de X (où θ apparaît) et Pθ(X = x) représente une probabilité discrète (où θ apparaît). On appelle vraisemblance de θ au vu des observations (x1,...,xi,...,xn) d'un n-échantillon indépendamment et identiquement distribué selon la loi , le nombre : On cherche à trouver

supposer que la distribution suit la loi normale (loi de Gauss). En effet la consommation de chocolat varie selon les individus : quelques personnes ont une consommation nulle, ou très faible et au contraire quelques personnes trop gourmandes mangent toute une plaquette, et la majorité des individus auront une consommation plus raisonnable… Donc les échantillons suivent une distribution normale, c’est à dire un distribution « en forme de cloche ». Si ma variable suit la loi de probabilité de Gauss, j’ai

Mod´lisation GARCH e Daniel Herlemont 3 mai 2007 Table des mati`res e 1 Introduction 2 Test empiriques sur les indices d’actions 3 Compl´ments - GARCH en temps continu e 4 References 1 5 6 7 1 Introduction La mod´lisation GARCH (Generalized Autoregressive Conditional Heteroscedasticity) e est devenu un outil incontournable en finance [2] [3] [4], particuli`rement utile pour analyser e et pr´voir la volatilit´. e e Ces mod`les rendent compte des faits stylis´s connus, tels que la variation

. . . . . . 3. Variance . . . . . . . . . . . . . . . . . 4. Covariance et corrélation . . . . . . . . 5. Fonction de répartition conjointe . . . 6. Formule de Bayes . . . . . . . . . . . . 7. Règle de calcul des espérances . . . . . 8. Loi Gaussienne ou normale . . . . . . 9. Estimation . . . . . . . . . . . . . . . . 9.1. Principes, méthode de moments 9.2. Moindres carrés ordinaires . . 9.3. Maximum de vraisemblance . . 2 7 7 7 8 9 9 10 10 11 11 11 13 14 17 17 20 22 25 27 28 31 35 35 37 37 43