Loi normale

limites Echantillonnage 1 Lois Limites 1.1 Exemple On considère X1, . . . , Xn ,n variables aléatoires indépendantes et de même loi, de moyenne m et d'écart type s. Soit alors = m et = s 1.2 Deux théorèmes fondamentaux Th 1 : Loi faible des grands nombres Soient X1; X2 ; . . . Xn n variables aléatoires indépendantes et de même loi de moyenne m alors la variable aléatoire vérifie pour tout réel positif e : Signification: Lorsque n devient très grand, le nombre

G´n´ralit´s . . . . . . . . . . . . . . . . . . . . . . . e e e 3.2.1 Variable al´atoire discr`te . . . . . . . . . . . e e 3.2.2 Loi d’une variable al´atoire discr`te . . . . . . e e 3.2.3 Fonction de r´partition . . . . . . . . . . . . . e 3.3 Lois discr`tes classiques . . . . . . . . . . . . . . . . e 3.3.1 Lois de Bernoulli . . . . . . . . . . . . . . . . 3.3.2 Loi uniforme sur un ensemble fini de r´els . . e 3.3.3 Lois binomiales . . . . . . . . . . . . . . . . . 3.3.4 Lois hyperg´om´triques

avait fait analyser 200 ? 1000 ? 10.000 ? Les questions 2., 3. et 4., portant sur la taille de l'échantillon, et sur la conance que l'on peut accorder au sondage sont du domaine de l'estimation : elles obtiennent une réponse avec les résultats sur la "loi des grands nombres". La question 1., elle, relève du champ de l'échantillonnage. Cette théorie répond à la question : "comment varie la proportion relevée d'un échantillon à l'autre, sachant que tous sont de même taille donnée à l'avance ?". Ces questions

G´n´ralit´s . . . . . . . . . . . . . . . . . . . . . . . e e e 3.2.1 Variable al´atoire discr`te . . . . . . . . . . . e e 3.2.2 Loi d’une variable al´atoire discr`te . . . . . . e e 3.2.3 Fonction de r´partition . . . . . . . . . . . . . e 3.3 Lois discr`tes classiques . . . . . . . . . . . . . . . . e 3.3.1 Lois de Bernoulli . . . . . . . . . . . . . . . . 3.3.2 Loi uniforme sur un ensemble fini de r´els . . e 3.3.3 Lois binomiales . . . . . . . . . . . . . . . . . 3.3.4 Lois hyperg´om´triques

Projet de Monte Carlo 1 Question1 : Soit Wt un mouvement brownien, alors : * Le processus Wt est gaussien * EWt=0 * EWtWs=min⁡(t,s) * Montrons que Wt est suit une N0,t En effet Wt est une variable aléatoire gaussienne et EWt=0 De plus on sait que EWtWs=min⁡(t,s) donc EWt2=t On en déduit que Wt suit une N0,t donc W0 suit une N0,0 donc W0=0 p.s * Montrons que E(Wt+r-Wt)Ws=EWt+r-WtEWs pour r > 0 et pour tout s ≤ t Soit r > 0 et s ≤ t On a E(Wt+r-Wt)Ws=EWt+rWs-EWtWs=s-s=0

. 3.2 G´en´eralit´es . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Variable al´eatoire discr`ete . . . . . . . . . . . 3.2.2 Loi d’une variable al´eatoire discr`ete . . . . . . 3.2.3 Fonction de r´epartition . . . . . . . . . . . . . 3.3 Lois discr`etes classiques . . . . . . . . . . . . . . . . 3.3.1 Lois de Bernoulli . . . . . . . . . . . . . . . . 3.3.2 Loi uniforme sur un ensemble fini de r´eels . . 3.3.3 Lois binomiales . . . . . . . . . . . . . . . . . 3.3.4 Lois hyperg´eom´etriques

G´n´ralit´s . . . . . . . . . . . . . . . . . . . . . . . e e e 3.2.1 Variable al´atoire discr`te . . . . . . . . . . . e e 3.2.2 Loi d’une variable al´atoire discr`te . . . . . . e e 3.2.3 Fonction de r´partition . . . . . . . . . . . . . e 3.3 Lois discr`tes classiques . . . . . . . . . . . . . . . . e 3.3.1 Lois de Bernoulli . . . . . . . . . . . . . . . . 3.3.2 Loi uniforme sur un ensemble fini de r´els . . e 3.3.3 Lois binomiales . . . . . . . . . . . . . . . . . 3.3.4 Lois hyperg´om´triques

G´n´ralit´s . . . . . . . . . . . . . . . . . . . . . . . e e e 3.2.1 Variable al´atoire discr`te . . . . . . . . . . . e e 3.2.2 Loi d’une variable al´atoire discr`te . . . . . . e e 3.2.3 Fonction de r´partition . . . . . . . . . . . . . e 3.3 Lois discr`tes classiques . . . . . . . . . . . . . . . . e 3.3.1 Lois de Bernoulli . . . . . . . . . . . . . . . . 3.3.2 Loi uniforme sur un ensemble fini de r´els . . e 3.3.3 Lois binomiales . . . . . . . . . . . . . . . . . 3.3.4 Lois hyperg´om´triques

Michelet 1. Normalité dessinée 1R. Le premier histogramme présente une distribution normale. Les estimateurs de tendance centrale (mode, moyenne, médiane) sont égaux. Pour le deuxième histogramme, on a une asymétrie positive (queue vers la droite). La moyenne est influencée par les valeurs extrêmes. Le minimum de l’asymétrie positive a la même valeur que les estimateurs de tendance centrale de la distribution normale. [pic][pic] A) Sur chacun de ces deux histogrammes La courbe associée à

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