Marche aléatoire

AgroParisTech-INRA 10 octobre 2011 1 1 Introduction Ce document présente un ensemble de modèles aléatoires couramment utilisés. Il est construit pour servir de repère avant de se reporter à des ouvrages spécialisés sur des modèles particuliers. La notion principale introduite est la notion de dépendance entre variables aléatoires, qui confère une structure aux phénomènes aléatoires. Les modèles présentés ici sont intermédiaires entre deux archétypes : le modèle déterministe où toutes les

qu'il est désormais possible d'utiliser pour représenter la dépendance entre risques de façon réaliste. Cet article présente un cas pratique d'application de la théorie des copules à la détermination du besoin en fonds propres d'un assureur non vie du marché français tenant compte du seul risque de fluctuation des sinistres. Une méthodologie spécifique de recherche des dépendances au sein du portefeuille d'assurance est mise en place. Les copules représentant le mieux ces interactions sont ensuite sélectionnées

les informations de court terme et de long terme obtenues. Enfin, ce mémoire présente une alternative au calcul classique des provisions à travers l’obtention d’une distribution à l’aide d’une modélisation stochastique, en effectuant des tirages aléatoires sur la durée de vie des adhérents. L’obtention d’une telle distribution nécessite l’utilisation de technique de simulation telle la méthode de Monte Carlo et des générateurs de loi uniforme ou normale. L’analyse de ces distributions et l’application

* 2) que leur utilité croît avec la richesse et qu'ils ont de l'aversion pour le risque   * 3) qu'il est possible de représenter leurs préférences par des fonctions définies sur les deux premiers moments d'une distribution de richesse aléatoire, à savoir l'espérance et la variance. * Étant donné que la richesse finale d'un individu est déterminée par le rendement de son investissement, cette dernière hypothèse signifie que les préférences des investisseurs peuvent être exprimées sous

deux et indépendance mutuelle Théorème de Bayes 4 • Variables aléatoires réelles 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Généralités sur les variables aléatoires Fonction de répartition Densité de probabilité Discontinuités d’une fonction de répartition et lois discrètes Loi de probabilité d’une variable aléatoire Y fonction d’une variable aléatoire X Indépendance de deux variables aléatoires Moments d’une variable aléatoire 5 • Lois de probabilité discrètes 5.1 5.2 5.3 5.4 5.5 5

deux et indépendance mutuelle Théorème de Bayes 45 46 4 • Variables aléatoires réelles 4.1 4.2 4.3 4.4 4.5 4.6 4.7 Généralités sur les variables aléatoires Fonction de répartition Densité de probabilité Discontinuités d’une fonction de répartition et lois discrètes Loi de probabilité d’une variable aléatoire Y fonction d’une variable aléatoire X Indépendance de deux variables aléatoires Moments d’une variable aléatoire 49 49 52 54 56 57 58 59 5 • Lois de probabilité discrètes 5.1 5.2

Appliquée Maîtrise d’Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre 2. UFR Economie Appliquée. Cours de C. Hurlin 2 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. UFR Economie Appliquée. Cours de C. Hurlin 3 Dans le premier chapitre, nous avons vu qu’une des première étape de la démarche de modélisation d’une série temporelle consiste à vérifier la stationnarité du processus

linéaires Chapitre 8 Variables aléatoires réelles discrètes 1 Généralités sur les variables aléatoires réelles 2 Séries doubles convergentes 3 Indépendance de variables aléatoires réelles discrètes 4 Espérance et conditionnement des variables discrètes Chapitre 9 Vecteurs aléatoires discrets 1 Couples de variables aléatoires réelles discrètes 2 Variable aléatoire fonction d’un vecteur discret 3 Vecteurs aléatoires discrets à valeurs dans Rn Chapitre

probabilités - Algèbre d'ensembles et vocabulaire des événements - Référentiel, événements aléatoires, espaces probabilisable et probabilisé - Probabilités conditionnelles, totales et composées - Probabilités des causes : formule de Bayes - Indépendance de deux événements Chapitre II : Variables Aléatoires et lois de probabilité - Variables aléatoires discrètes et continues - Valeurs caractéristiques d'une variable aléatoire - Propriétés de l’espérance mathématique et de la variance. Chapitre III : Lois de

empiriques. 3.1. METHODES D’ECHANTILLONNAGE PROBABILISTES 3.1.1. Echantillonnage aléatoire et simple Un échantillonnage est aléatoire si tous les individus de la population ont la même chance de faire partie de l’échantillon; il est simple si les prélèvements des individus sont réalisés indépendamment les uns des autres. En particulier, si la population est finie, cette définition correspond au tirage aléatoire avec remise, qui permet de traiter les populations finies comme des populations infinies