Matrice stochastique

Exercice 2 1 e 2.1 Calcul de la puissance n`me de A. 1. Comme B= µ 3 −6 1 −2 ¶ et C = µ 2 −6 1 −3 un calcul rapide et sans commentaire particulier donne que : ¶ BC = CB = 0M2 (R) (1) Notez bien que les matrices B et C commutent. 2. _ • Montrons que la proposition Pn :"B n = B" est vraie pour tout entier n non nul. — L’initialisation est bien vérifiée car : B1 = B — Supposons que la proposisiton Pk soit vraie pour tout k ∈ [|1, n|] , n fixé dans N∗

matriciel 1.1 1 Dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1.2 Transposée d'une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.1.3 Matrices particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Opérations sur les matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1 Addition . . . . . . . . . . . . . . . . . . . . . . .

1 re CD – math I – Géométrie analytique GEOMETRIE ANALYTIQUE Table des matières A) Systèmes linéaires ………………..…..……………………….. page 2 1) Définitions ……………...……………………………….…. page 2 2) Résolution d’un système linéaire par substitution …….…... page 2 3) Règle de Cramer …………………….…………….………. page 5 B) Géométrie analytique dans le plan (rappels)………………… page 9 1) Repères du plan ………………..………………………….. page 9 2) Calcul vectoriel dans un repère du plan …………………… page 9 3) Equations

dans laquelle on le calcule. Proposition 5 : On a : i/ det (IdE ) = 1: ii/ 8u; v 2 End (E) : det (u v) = det u: det v: iii/ 8u 2 End (E) : u inversible ssi det u 6= 0, et dans ce cas : det u 1 = (det u) 1 Preuve : II-2 Déterminant 0 d’une matrice carrée 1 a11 a12 ::: a1n B : C B C C 2 Mn (K), les colonnes de A représentent des B Soit A = (aij ) = B : C @ : A an1 an2 : ::: ann vecteurs c1 ; c2 ; :::; cn de Kn repérés relativement à sa base canonique Bc = (e1 ; e2 ; :::; en ) ;

................................................................ 4 Définition d’un système de Cramer ........................................................................................................... 4 Résolution par l’inversion de la matrice du système ................................................................................. 5 Résolution par la méthode de Cramer ........................................................................................................ 6 II-2 Résolution

10. ALGÈBRE LINÉAIRE : MATRICES COURS MPSI R. FERREOL 11/12 B) MATRICES E,F et G désignent toujours des K-espaces vectoriels. RAPPELS : une matrice A à n lignes et p colonnes (ou de format (n, p)) à coefficients dans K est une application de [|1, n|] × [|1, p|] dans K ; pour (i, j) ∈ [|1, n|] × [|1, p|] , A (i, j) est souvent noté de façon indicielle aij , de sorte que A est notée (aij )1 i n ; 1 j p j     a11 a12 a1p a1j  a21 a22   a2p  ... = i   on la représente aussi par le tableau

Introduction au calcul stochastique appliqué à la finance Damien Lamberton Bernard Lapeyre Avant-Propos Pour cette seconde édition, nous avons apporté quelques modifications au texte primitif. Les premières concernent la correction d’erreurs plus ou moins importantes. L’erreur la plus sérieuse était une affirmation fausse concernant les intégrales stochastiques (voir le résumé des propriétés de l’intégrale stochastique à la fin de la section 4.1 du chapitre 3 et l’exercice 15, qui nous a été

Les chaines de Markov Modèles probabilistes et stochastiques de la gestion Master Actuariat et Gestion de Risque Université Hassan II, FSJES • L'objectif de ce cours est l'étude des principaux processus stochastiques utilisés en gestion. Plus particulièrement, les chaînes de Markov. • Les chaînes de Markov apparaissent régulièrement en finance (modélisation de l'évolution de titres en bourse), en économie et dans bien d'autres domaines liés à la gestion. • Nous pouvons facilement imaginer

´ Equations diff´rentielles stochastiques e en dimension finie et infinie Vincent B´n´zech, Philippe Bouafia e e Nous tenons ` remercier chaleureusement Arnaud Basson, qui nous a encadr´ avec a e constance et nous a orient´ vers des r´sultats fascinants sur les ´quations en dimension e e e infinie. En l’absence de pr´cision, on travaillera sur un espace de probabilit´ (Ω, F, P ). e e Table des mati`res e 1 Introduction 2 L’int´grale d’Itˆ en dimension finie e o 2.1 L’int´grale d’Itˆ pour les fonctions

intéresse dans le cas de l’hétéroscédasticité. Il n’est donc pas nécessaire d’effectuer un test supplémentaire après la régression. Correction de l’hétéroscédasticité d’hétéroscédasticité : Il existe deux solutions au problème 1. paramétriser la matrice de variance-covariance des erreurs (MCG); 2. utiliser les MCO et corriger les écarts-types par la méthode d’Eicker-White. Seule la deuxième solution est discutée ici en raison de sa simplicité. En fait, dans Stata, il suffit d’ajouter l’option robust