Académique Documents
Professionnel Documents
Culture Documents
Rappel
Rappel
Rappel
pour la Finance
François Desmoulins-Lebeault
Alain Guéniche
A. Estimation Ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
A. Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
C. Calcul Matriciel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
“Faire toujours la même chose et s’attendre à un résultat différent n’est pas de la folie.
C’est déterminer la loi de probabilité d’une variable aléatoire.”
Alain Guéniche
c ar d (X = −1) 3 1
P (X = −1) = = =
c ar d (Ω) 6 2
Loi de probabilité :
Ainsi, mathématiquement, une variable aléatoire est une fonction mesurable X : Ω → E où Ω est
l’espace des résultats possibles du triplet probabiliste (Ω, A, P) et E un espace mesurable.
Ex : On lance quatre fois de suite une pièce non équilibrée (probabilité d’obtenir pile de 2/3). Soit X
la v.a. représentant le "nombre de lancers nécessaires pour obtenir deux piles consécutifs". On note Pk
(resp. Fk ) l’événement on obtient pile (resp. face) au k-ème lancer. X est donc la fonction qui transforme
un espace de départ en un espace d’arrivée :
(Ω, A, P) (E, B , PX )
• l’univers Ω, qui est l’ensemble des résultats possibles, soit Ω = {"Pile", "Face"} ;
• une tribu A, qui va regrouper l’ensemble de tous les sous-ensembles (parties) d’Ω, soit : l’ensemble
vide appelé "événement impossible", les différents résultats possibles ω, et leurs unions, ici { "Pile",
"Face" } qui va constituer l’univers, aussi appelé "événement certain"). Ces sous-ensembles de
résultats possibles sont appelés évènements. Ainsi A = {Ø, {"Pile"}, {"Face"}, Ω} ;
3
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
• une loi de probabilité P qui va indiquer la chance de réalisation d’un évènement d’une tribu A.
Ainsi la probabilité d’obtenir ni pile ni face est nulle (pièce tombant sur la tranche), P (Ø) = 0,
d’obtenir pile est de P ({"Pile"}) = 2/3, d’obtenir face est de P ({"Face"}) = 1/3, et d’obtenir ou pile
ou face est de P (Ω) = 1.
• E, c’est-à-dire l’ensemble des valeurs que peut prendre X, dans ce cas les entiers naturels supérieurs
à 1 (2 lancers minimum nécessaires pour obtenir 2 piles) et inférieurs ou égal à 4 (on se limite à 4
lancers), soit E = {2, 3, 4} ;
• B , l’ensemble des parties de E (ensemble vide, parties à un élément, parties à deux éléments et
partie à trois élements qui va constituer ici l’univers), soit B = {Ø, {2}, {3}, {4}, {2, 3}, {2, 4}, {3, 4}, E} ;
• PX , la loi de X qui va indiquer les chances de réalisation de notre évènement "obtenir deux piles
consécutifs" au 2e lancer, PX (X = 2), au 3e, PX (X = 3), au 4e, PX (X = 4), se calculant comme suit :
− Méthode des sondages, en examinant une partie de la population seulement, appelée échantillon
Ex : prélever un échantillon dans le cadre d’un contrôle qualité produit afin de juger de
l’acceptabilité des lots
Notation :
4
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
En d’autres termes, on observe la v.a. X sur n individus (avec X 1 le 1er élément d’un échantillon, etc.).
Une autre série d’expérience donnera une autre réalisation x 1′ , x 2′ , . . . , x n′ .
¡ ¢
Le tirage aléatoire, où chaque individu a la même probabilité d’être choisi, permet à l’échantillon
d’être représentatif, c’est-à-dire non biaisé. Ce choix au hasard des différentes observations est très
important :
Pour trouver les paramètres d’une population Ω à l’aide de ceux d’un échantillon (démarche des
sondages), deux méthodes :
− Estimation ponctuelle
A. Estimation Ponctuelle
L’estimation ponctuelle consiste à donner une valeur approchée à un paramètre inobservable de la
population à partir des réalisations d’un échantillon.
x1 x2 x3 x4 x5 x6 x7 x8 x9 x 10
950 980 940 970 990 910 890 965 946 927
La durée de vie moyenne calculée sur cet échantillon, appelée moyenne échantillonnale ou empirique
:
950 + 980 + · · · + 927
x= = 946, 8
10
La valeur 946,8 est UNE estimation ponctuelle de la durée de vie moyenne µ des ampoules de la production
mensuelle. Ce qui est risqué puisqu’un autre échantillon donnerait une autre moyenne.
Si on prélève un autre échantillon de même taille, on obtiendra d’autres réalisations. C’est ce qu’on
appelle l’erreur d’échantillonnage. On l’évalue en considérant la distribution de la moyenne de chaque
échantillon parmi la totalité des échantillons.
5
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Ex : Une population est constituée de 5 étudiants en statistiques (pour simplifier). Leur professeur
s’intéresse au temps hebdomadaire consacré à l’étude de cette matière pour chaque étudiant :
Étudiant A B C D E Total
Temps d’étude (en heures) 7 3 6 10 4 30
30
µ= =6
5
Si le professeur choisit un échantillon de taille 3, quelles sont les différentes valeurs possibles pour la
moyenne de son échantillon ?
Si par exemple l’échantillon se retrouve constitué par les étudiants les moins travailleurs, on va ainsi
sous-estimer la durée moyenne de la population à étudier les maths par semaine.
On remarque que l’espérance des moyennes empiriques est égale à la moyenne de la population:
³ ´ 60
E X = =6=µ
10
Sauf que dans la réalité on ne choisit qu’un seul échantillon... Comment peut-on alors déduire
quelque chose sur les paramètres de la population ?
Pour cela on définit des v.a. pour chaque statistique de l’échantillon (ici la moyenne X). Comme
toute v.a., X possède une distribution de probabilité, appelée distribution d’échantillonnage. Ainsi X
associe à chaque n-échantillon sa moyenne échantillonnale et a :
6
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Sur les k échantillons aléatoires possibles, on travaillera en pratique sur un seul, en considérant que
les valeurs observées constituent les réalisations de v.a. :
EN PRATIQUE
k échantillons aléatoires Un seul échantillon
Population Population
X µ, σ2 , p X µ, σ2 , p
¡ ¢ ¡ ¢
© ª © ª © ª
Distribution d’échantillonnage de la : x 1, x 2, . . . , x n x 1, x 2, . . . , x n x 1, x 2, . . . , x n
© ª
- Moyenne x 1 , x 2 , . . . , x k
- Variance s 1 , s 2 , . . . , s k′2
© ′2 ′2 ª
© ª
- Proportion f 1 , f 2 , . . . , f k X1 X2 Xn
Ainsi les n observations x 1 , x 2 , . . . , x i , . . . , x n faites sur un échantillon peuvent être considérées comme
n variables aléatoires X 1 , X 2 , . . . , X i , . . . , X n . La valeur prise par le premier élément extrait de la population
X 1 , dépend en effet de l’échantillon obtenu lors du tirage aléatoire. Cette valeur sera différente si l’on
considère un autre échantillon. À partir de ces n variables aléatoires, on peut alors définir une nouvelle
variable : l’estimateur.
Moyenne µ X x
Variance σ2 S ′2 s ′2
Proportion p p̂ f
7
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Inférence statistique
Loi de X
En définissant la v.a. X qui à chaque n-échantillon associe sa moyenne échantillonnale, on examine
ainsi "jusqu’à quel point" la moyenne d’un échantillon unique s’approche de la moyenne de la population.
Convergence en loi
En fonction de la nature de la variable aléatoire continue X, de la taille de l’échantillon n et de la
connaissance que nous avons sur le paramètre σ, la variable centrée réduite construite avec X converge
vers différentes lois de probabilité :
X−µ
− Si σ connu (cas rare) : loi normale, σ ∼ N (0, 1)
p
n
X−µ
− Si σ inconnu : loi de Student à n − 1 degrés de liberté, ∼ Tn−1
s′
p
n
1 P n ¡ ¢2 n
L’estimation ponctuelle de σ2 est en effet s ′2 = xi − x = × s2.
n − 1 i =1 n −1
Mais :
− Si l’échantillon est grand (n ≥ 30), on pourra utiliser la loi normale en application du Théorème
Central Limite ;
8
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
− Si le tirage est réalisé sans remise, un coefficient d’exhaustivité fait son apparition :
X−µ X−µ
∼ N (0, 1) ou ∼ Tn−1
σ ′
r r
N−n s N−n
p × p ×
n N−1 n N−1
Lors de tirage avec remise, l’échantillon est en effet dit non exhaustif, et les tirages suivants sont
indépendants des précédents. Mais lors de tirage sans remise, l’échantillon est alors qualifié d’
exhaustif (épuiser toutes les possibilités). La non remise fait que les probabilités relatives aux
tirages suivants changent. Dans ce cas, ils dépendent des précédents tirages.
Remarque : ce coefficient sera négligé lorsque la population est dite "infinie" (N > 20n). Le coefficient
d’exhaustivité est en effet alors très proche de 1.
r
10 000 000 − 1 000
Ex : si N = 10 000 000 et n = 1 000, alors = 0, 99995
10 000 000 − 1
Nous ne rappellerons pas ici la loi de l’estimateur d’une proportion, ni d’une variance, l’objectif étant
seulement de rappeler l’idée générale.
À partir des résultats d’un échantillon, on définit ainsi un intervalle (ou fourchette) pour les paramètres
de la population afin de tenir compte des fluctuations aléatoires d’échantillonnage. L’amplitude de
l’intervalle dépend de la précision demandée :
L’intervalle est ensuite associé à un niveau de confiance 1–α. Plus le niveau de confiance est élevée,
plus l’IC est grand, et plus le risque α que le paramètre ne soit pas compris dans l’IC est faible.
− Qu’à 100% je suis sûr que vous avez entre 0 et 130 ans.
⇒ Réponse très fiable mais bien trop large pour être intéressante.
− Qu’à 50% je suis sûr que vous avez entre 30 et 50 ans car je vous vois et je sais que vous n’êtes
pas trop portée Botox, que vous êtes sportive etc.
⇒ Réponse moins fiable mais plus précise.
De même l’amplitude d’un IC réduira à mesure que la taille d’échantillon augmente (et donc qu’elle
se rapproche de la taille de la population).
9
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Ex : Prenons un niveau de confiance de 95%. Il y a donc 95% de chance pour que la valeur du
paramètre de la population soit comprise dans l’IC. Ainsi si l’on construit mettons 50 intervalles, l’objectif
µ sera correctement encadré à 95% environ :
Distribution
de la moyenne
Ce que
de l’échantillon
l’ont sait
mais que le
statisticien
ignore
X
67 71
69
70
1er intervalle
68,2 X
2e intervalle
X 69,4
etc. (jusqu’ici,
67,8 X encadrement Intervalles
de µ par tous d’estimation
X les intervalles) calculés par
..
. le statisticien
66,4 Un de ses
rares échecs
X ..
.
68
50e intervalle
X
Pour associer un intervalle à un niveau de confiance, on utilisera le quantile z provenant d’une table :
σ
· ¸
¡ ¢
IC0,95 x = x ± z α/2 × p
n
10
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Ex : 50 adultes francophones ont fait l’objet d’une expérience de mémoire. Le temps pris pour
apprendre une liste de 5 verbes allemands a été enregistré pour chaque personne. Ceci a donné les
résultats suivants (en minutes) :
• Table : z α/2 = 1, 96
s′
· ¸
Par conséquent : IC0,95 (µ) = x ± z α/2 × p = [5, 23 ± 0, 12] = [5, 11; 5, 35]
n
On souhaite à présent réduire la marge d’erreur de façon à ce que le temps d’apprentissage moyen ne
s’éloigne pas de plus de 0,1 minute de la vraie valeur avec un niveau de confiance de 95%. Quelle devrait
alors être la taille d’échantillon en supposant que l’écart-type observé reste le même ?
ε ≤ 0, 1
s′
⇔ z α/2 × p ≤ 0, 1
n
0, 42
⇔ 1, 96 × p ≤ 0, 1
n
p
⇔ 0, 8271 ≤ 0, 1 × n
⇔ n ≥ 68, 40
En prenant la valeur par excès, l’échantillon devrait donc comporter 69 individus pour que l’erreur
d’échantillonage dans l’estimation du temps d’apprentissage moyen ne soit pas supérieure à 0,1 mn au
risque de 5%.
11
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
E θ̂n = θ
¡ ¢
biais
θ = E θ̂n θ E θ̂n
¡ ¢ ¡ ¢
Ex : Chacun des 200 000 adultes d’une ville est supposé avoir pris X repas de type "fast-food" au cours
de la semaine précédente. On effectue une enquête par téléphone. Un échantillon choisi au hasard de
200 appels téléphoniques permettra un retour d’environ 50 réponses dont la moyenne r servira à estimer
µ. Quel est son biais sachant que :
Sous-population de ceux
Population totale
qui acceptent de répondre
µ = 0,9 repas µR = 0,4 repas
Convergence
L’estimateur θ̂ doit tendre vers la valeur réelle du paramètre θ lorsque le nombre d’individus étudiés
augmente. L’estimateur est alors dit convergent.
12
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
La probabilité de s’éloigner de la valeur à estimer de plus de ε tend vers 0 quand la taille de l’échantillon
n augmente. Ce qui équivaut à remplir les deux conditions suivantes :
1. E θ̂n = θ ou E θ̂n → θ
¡ ¢ ¡ ¢
2. V θ̂n → 0
¡ ¢
n = 100
n = 50
µ
³ ´ ³ ´
Lorsque l’on observe la densité de X, on constate bien que E X = µ et que V X diminue à mesure
que n augmente.
Variance Minimale
En plus de l’absence de biais, on souhaite que la distribution d’un estimateur soit fortement concentrée.
µ µ
V(B)
e=
V(A)
Récapitulatif
L’estimateur θ̂ d’un paramètre θ est dit non biaisé si sa distribution d’échantillonnage se concentre
autour de façon à ce que la moyenne de tous les θ̂ possibles est égale à θ.
S’il existe plusieurs estimateurs non biaisés d’un même paramètre, celui qui possède la distribution
d’échantillonnage dont la variance est la plus petite est considéré comme l’estimateur le plus efficace.
13
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Graphiquement :
− L’estimateur dont la distribution est A est non biaisé alors que celui dont la distribution est
B est biaisé
− L’estimateur dont la distribution est A est plus efficace que celui dont la distribution est C
A B
et
σ
µ ¶
X1 + X2 + · · · + Xn
X= ∼ N µ, p
n n
En d’autres termes, la loi normale est la loi limite d’autres lois : si des v.a. ne suivent pas une loi
normale, leur somme et leur moyenne le peuvent si l’échantillon est suffisamment grand (n ≥ 30) et que
ces v.a. sont Indépendantes et Identiquement Distribuées (règle i.i.d.).
14
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
68, 5%
95, 4%
99, 7%
−3σ −2σ −1σ µ +1σ +2σ +3σ
Les valeurs sont concentrées autour de la moyenne et les queues de distribution sont fines, ce qui
signifie que les évènements extrêmes sont peu probables.
Il existe des tables construites pour la loi normale centrée-réduite. Pour transformer une loi normale
quelconque en loi normale centrée réduite, rien de plus simple ! On la centre en enlevant la moyenne,
puis on réduit en divisant par l’écart-type :
X−µ
Z= ∼ N (0, 1)
σ
Les tables se présentent généralement de la façon suivante :
F(z)
0 z
15
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
1 2
f (z) = p e −z /2
2π
et F(z) est sa fonction de répartition (aussi appelée fonction de distribution cumulative), représentant
l’aire sous la courbe, qui associe à tout réél z la probabilité d’obtenir une valeur inférieure ou égale :
Z z Z z
1 2
F(z) = P(Z ≤ z) = f (z) dz = p e −z /2 dz
−∞ 2π −∞
Trouver le quantile z
La table ci-dessus donne la probabilité telle que P (Z ≤ z) = 1–α, or ce que l’on cherche pour constuire
un intervalle de confiance, c’est la probabilité telle que P (−z α/2 < Z < z α/2 ) :
1−α
α/2 α/2
−z α/2 0 z α/2
Une loi normale étant symétrique, on peut facilement obtenir ce résultat après quelques manipulations
basiques :
16
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
pour chaque
queue,
2, 5%
X
³ ´ µ ³ ´
µ − 1, 96 × σ X µ + 1, 96 × σ X
17
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Ex : si σ inconnu
Une table de Student fonctionne de façon inverse par rapport à une table de la loi normale : pour un
nombre de degrés de liberté donné, elle part des probabilités et donne les quantiles . Celle-ci donne
la valeur de t α/2 ayant la probabilité α d’être dépassée en valeur absolue :
Probabilité
p 0,8 0,6 0,5 0,4 0,3 0,2 0,1
ν
1 0,325 0,727 1,00 1,38 1,96 3,08 6,31
2 0,289 0,617 0,816 1,06 1,39 1,89 2,92
3 0,277 0,584 0,765 0,978 1,25 1,64 2,35
Degrés de 4 0,271 0,569 0,741 0,941 1,19 1,53 2,13
liberté 5 0,267 0,559 0,727 0,920 1,16 1,48 2,02
6 0,265 0,553 0,718 0,906 1,13 1,44 1,94
7 0,263 0,549 0,711 0,896 1,12 1,41 1,89
8 0,262 0,546 0,706 0,889 1,11 1,40 1,86
9 0,261 0,543 0,703 0,883 1,10 1,38 1,83
1−α
α/2 α/2
−t α/2 0 t α/2
18
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
Mais, là encore, vous trouverez des tables construites de façon à donner différentes probabilités,
comme :
T suit une loi de Student avec n = 5 T suit une loi de Student avec n = 25
Z suit N (0, 1) Z suit N (0, 1)
P(−1, 96 < Z < 1, 96) = 95% P(−1, 96 < Z < 1, 96) = 95%
P(−2, 57 < T < 2, 57) = 95% P(−2, 06 < T < 2, 06) = 95%
À mesure que le ddl augmente, la loi de Student converge en distribution vers la loi normale. Et
lorsque n est suffisamment grand (≥ 30), la loi normale constitue une approximation acceptable de la loi
de Student (TCL).
19
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
La loi du χ2 est une distribution asymétrique avec étalement sur la droite, toutefois elle tend à devenir
symétrique quand le nombre de degré de liberté augmente :
0.25 n=3
n=4
0.2 n=5
fonction de densité
n=6
n=7
0.15
n=8
0.1
0.05
0 5 10 15
v.a.
Démonstration
Soit {X 1 , X 2 , . . . , X n } un échantillon issu d’une loi normale N µ, σ2 . Sa variance lorsque µ est connue
¡ ¢
est :
1X n ¡ ¢2
S2 = Xi − µ
n i =1
Or si deux v.a. indépendantes suivent des lois du Khi-deux à respectivement ν1 et ν2 degrés de liberté,
leur somme suit une loi du Khi-deux à (ν1 + ν2 ) degrés de liberté. Il suit :
n µ X − µ ¶2
i
∼ χ2n
X
i =1 σ
Pn ¡ ¢2 n × 1 Pn ¡X − µ¢2
n µ X − µ ¶2
i X i − µ n i =1
i
= i =1 2
X
=
i =1 σ σ σ 2
Soit :
n × S2
∼ χ2n
σ2
20
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
U/n u
W= ∼ Fnu ,n v
V/n v
La loi de Fisher-Snedecor est une distribution asymétrique avec étalement sur la droite :
0.8
n A = 4, nB = 4
n A = 10, nB = 4
n A = 10, n B = 10
fonction de densité
0.6 n A = 4, n B = 10
0.4
0.2
0
0 1 2 3 4
v.a.
On l’utilisera comme distribution lors des tests de comparaison de deux variances. En effet, la statistique
de test est alors égale au rapport de la variance la plus grande (numérateur) sur la variance la plus petite
(dénominateur).
n A × S 2A n B × S 2B
Or on sait que la distribution de probabilité de la variable aléatoire , respectivement ,
σ2A σ2B
est une distribution du χ2 à n A degrés de liberté, respectivement n B degrés de liberté.
De plus, les échantillons ayant été prélevés indépendament l’un de l’autre, ces deux v.a. sont indépendantes.
Par conséquent :
S 2A
σ2A
F= ∼ Fn A ,nB
S 2B
σ2B
S 2A
F= ∼ Fn A ,nB
S 2B
21
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
• Matrice identité (ou unité) de dimension n : matrice carrée avec des 1 sur la diagonale et des 0
partout ailleurs.
1 0 ... 0
0 1 . . . ...
In = .
. .. ..
. . . 0
0 ... 0 1
• Matrice diagonale de dimension n : matrice carrée dont les coefficients en dehors de la diagonale
principale sont nuls.
a 11 0 ... 0
.. ..
0 a
22 . .
A= .
.. ..
.
. . . 0
0 ... 0 an
• Matrice symétrique de dimension n : matrice carré égale à sa propre transposée, autrement dit les
coefficients sont symétriques par rapport à la diagonale principale (a i j = a j i pour tous i , j ). Ex :
1 4 6
A = 4 7 5
6 5 0
• Matrice triangulaire de dimension n : matrice carrée dont une partie triangulaire des valeurs,
délimitée par la diagonale principale, est nulle.
a 11 a 12 . . . a 1n
0 a 22 . . . a 2n
A= .. .. .. ..
. . . .
0 ... 0 a nn
22
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
C. Calcul Matriciel
• Addition, soustraction : réalisée terme à terme sur des matrices de même dimension
µ ¶ µ ¶ µ ¶
2 7 0 5 8 −2 7 15 −2
+ =
3 6 −1 4 6 3 7 12 2
• Multiplication par un nombre (appelé scalaire) : chaque terme est multiplié par le scalaire
µ ¶ µ ¶
2 7 0 4 14 0
2× =
3 6 −1 6 12 −2
• Multiplication : le nombre de colonnes de la première matrice doit être égal au nombre de lignes
de la seconde pour que le calcul soit possible. Le produit de la matrice A (n × p) par la matrice B
(p × q) est la matrice C (n × q) telle que l’élément c i j est égal au produit scalaire de la ligne i de la
matrice A par la colonne j de la matrice B.
B : p lignes q colonnes
b 11 b 12 ... b 1q
b 21 b 22 ... b 2q
12
b
.. .. ..
×
..
. . . .
21
+
22
a
×
22
b p1 b p2 ... b pq
a
..
.+
2
bp
×
p
a2
a 11 a 12 ... a 1p c 11 c 12 ... c 1q
a 21 a 22 ... a 2p c 21 c 22 ... c 2q
.. .. .. .. .. .. .. ..
. . . .
. . . .
a n1 a n2 ... a np c n1 c n2 ... c nq
Ex :
5 −2
µ ¶ µ ¶ µ ¶
2 1 0 2×5+1×4+0×1 2 × −2 + 1 × 6 + 0 × 8 14 2
× 4 6 =
=
3 6 −1 3 × 5 + 6 × 4 + −1 × 1 3 × −2 + 6 × 6 + −1 × 8 38 22
1 8
23
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
• Transposition : la transposée AT (aussi notée A′ ) d’une matrice A est la matrice obtenue en échangeant
les lignes et les colonnes de A
2 3
µ ¶
2 7 0
A= ⇔ AT = 7 6
3 6 −1
0 −1
◦ Matrice de dimension 2 :
µ ¶
a b
Soit A = alors |A| = ad − bc
c d
◦ Matrice de dimension 3 :
n
a i j Ai j (−1)i + j
X
|A| =
j =1
a b c
¯ ¯
¯e f ¯¯
A11 = d e f = ¯¯ = ei − f h
h i¯
g h i
Quant au terme (−1)i + j , il signifie simplement que l’on alternera de signe, en commençant
par + ((−1)1+1 = 1) :
+ − +
− + −
+ − +
Soit :
¯ ¯ ¯ ¯ ¯ ¯
¯e f ¯¯ ¯¯d f ¯¯ ¯¯d e ¯¯
|A| = a 11 A11 −a 12 A12 +a 13 A13 = a ¯¯ −b +c = aei −a f h+b f g −bd i +cd h−ceg
h i ¯ ¯g i ¯ ¯g h¯
24
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
◦ Quelques propriétés :
− |A| = |AT |
− |AB| = |A| × |B|
◦ Cas particulier : le déterminant d’une matrice triangulaire est égal au produit des élements
de sa diagonale principale, |A| = ni=1 a i i
Q
• Inversion d’une matrice carrée : une matrice carrée A est dite inversible s’il existe une matrice
carrée A−1 (appelée matrice inverse) telle que :
A × A−1 = A−1 × A = I
− (A−1 )−1 = A
− (AT )−1 = (A−1 )T
− (AB)−1 = B−1 A−1
1
A−1 = × cof(A)T
|A|
◦ Matrice de dimension 2 :
µ ¶ µ ¶T µ ¶
a b 1 d −c 1 d −b
Soit A = alors A−1 = × = ×
c d |A| −b a ad + bc −c a
25
Méthodes Quantitatives Avancées pour la Finance – Rappel – 2022/2023
◦ Matrice de dimension 3 :
¯ ¯ ¯ ¯ ¯ ¯T
¯e f ¯¯ ¯d f ¯¯ ¯d e ¯¯
+ ¯ h − ¯¯ + ¯¯
¯
i ¯ g i ¯ g h ¯
a b c
¯ ¯ ¯ ¯ ¯ ¯
1 ¯b c ¯¯ ¯a c ¯¯ ¯a b ¯¯
Soit A = d e f alors A−1 = × − ¯¯ + ¯¯ − ¯¯
h i¯ g i¯ g h ¯
|A|
g h i ¯ ¯ ¯ ¯ ¯ ¯
¯b c¯ ¯ ¯ a c¯ ¯ ¯ a b ¯¯
+ ¯¯ − ¯¯ + ¯¯
e f¯ d f¯ d e¯
Ex :
3 −2 4 1 0 0 L1 1 0 2 0 1 0 L 1 ⇄ L2
(A | I3 ) = 1 0 2 0 1 0 L2 = 0 1 0 0 0 1
0 1 0 0 0 1 L3 3 −2 4 1 0 0 L 2 ⇄ L3
1 0 2 0 1 0 1 0 2 0 1 0
= 0 1 0 0 0 1 = 0 1 0 0 0 1
0 −2 −2 1 −3 0 L3 ← L3 − 3L1 0 0 −2 1 −3 2 L3 ← L3 + 2L2
1 0 0 1 −2 2 L 1 ← L1 + L 3
I | A−1
¡ ¢
= 0
1 0 0 0 1 =
0 0 1 −1/2 3/2 −1 L3 ← L3 / − 2
26