Transp Cours Proba Paris17

Bibliographie
Probabilités appliquées à la finance.
Philippe Bich
April 8, 2017
Philippe Bich Probabilités appliquées à la finance.

Bibliographie
But du cours
Pas de pré-requis particulier. But: arriver à définir martingales,

filtrations, mouvement Brownien, à faire un peu de calcul
stochastique, et à prouver Black and Scholes.

Bibliographie
But du cours
Fonctionnement du cours:
12 cours de 3 heures
Important de s’exercer (exercices).
Exercices, cours, examens années précédentes:
communication diverses: voir site
bichgame.wordpress.com

Bibliographie
A propos du concept de probabilité

Probabilités=Théorie mathématique bien définie depuis près de
100 ans=traitement mathématique du hasard.
Kolmogorov a le premier "axiomatisé" les probabilités:
événenement est un sous-ensemble appartenant à un ensemble
vérifiant certains axiomes; une proba attribue à tout événement
une mesure entre 0 et 1, et vérifie certaines propriétés...
L’interpétation n’est pas si "évidente", pour schématiser on
pourrait classifier différentes interprétations.
1) Probabilités subjectives (proba liée à notre ignorance); ou
Probabilités 2) objective: le hasard=propriété objective des
événements. (Débat dans les années 1950).
Une classification similaire (mais pas exactement) est: A)
Probabilités Epistémiques (concernant un jugement: e.g.:
proba de s’être trompé...; il s’agit de crédibilité, et la Proba porte
sur un défaut de connaissance) ou B) Probabilités Physiques
(proba de pile)

Bibliographie
A propos du concept de probabilité
Proba physiques: Interprétation fréquentiste (Cournot) ou

propensionniste (Poper).
Proba epistémique: conception bayésienne (Bayes) ou
logique (Keynes).
En finance: probabilités risque neutre=probabilité
subjectives, différente d’une probabilité "objective" donnée
à priori.
En finance Interprétation fréquentiste (données historique)
ou pas (modèle). Souvent les deux jouent un rôle.

Bibliographie
Importance des probabilités
Prévision du réchauffement climatique: Une étude montre que

dire que le réchauffement climatique est "trés probable" conduit
les gens à sous-estimer cette probabilité (65 pour cent en
général, alors que c’est 90 pour cent pour le Giec).

Bibliographie
Erreur judiciaire lié à une mauvaise utilisation de probabilités

(voir "Les maths au tribunal", livre récent). Par exemple,
utilisation de la formule de probabilité de deux événements
conjoints quand ceux-ci ne sont pas indépendants, pour en
conclure que la probabilité que l’accusé ne soit pas coupable
est presque nulle.

Bibliographie
En finance: des modèles (en particulier Black and Scholes)

sont décriés, critiqués. Important de les connaitre pour garder
un esprit critique.

Bibliographie
Pour être plus pragmatique
Entretien pour devenir quant: question quantitative, souvent

probas!

Bibliographie
Exemples de Motivations en finance
1) Théorie du choix de portefeuille (CAPM)

Bibliographie
Exemples de Motivations: en finance
2) Black et Scholes
∂f ∂f 1 ∂f 2
+ µ.S. + σ 2 .S 2 2 = µ.f .
∂t ∂S 2 ∂S

Bibliographie
Exemples de Motivations en finance
3) Modèle à la Cox-Ross-Rubinstein

Bibliographie
On commence

Bibliographie
0) Préliminaires ensemblistes a) Ensemble
Définition naive d’un ensemble Un ensemble est une

collection (ou groupement) d’objets distincts.
Les objets de l’ensemble sont appelés éléments.
a ∈ A signifie que a est un élement de A.
a∈
/ A signifie que a n’est pas un élement de A.
Deux ensemble sont égaux (noté A = B) s’ils ont les
même éléments.
Un ensemble peux être décrit sous la forme d’une liste:
E = {1, 2, 3, 4, 5, 6, 7, 8, 9}.
ou par une propriété: E = {x ∈ R : x 2 ≥ x}.

Bibliographie
0) Préliminaires ensemblistes c) sous ensembles,

relations
A ⊂ B signifie que A est inclu dans B, formellement
A ⊂ B si ∀a ∈ A, a ∈ B.
∅ ⊂ A est toujours vrai!

L’intersection de A and B est A ∩ B = {x | x ∈ A et x ∈ B},
L’union de A et B is A ∪ B = {x | x ∈ A ou x ∈ B}.
La différence de A et B est A \ B = A − B = {x | x ∈ A et
x 6∈ B}.
A∆B = (A ∪ B) \ (A ∩ B) appelé la différence symétrique
de A et B.
Si A est inclu dans U, le complément de A dans U est
U − A = {x ∈ U | x 6∈ A}. Quand U est implicite, on le note
aussi Ac .
Bibliographie
0) Préliminaires ensemblistes c) sous ensembles,

relations
Deux ensembles A et B sont disjoint si A ∩ B = ∅.

Les ensembles A1 , ..., An , ... sont dit disjoints deux à deux
si pour tout i 6= j, Ai et Aj sont disjoints.

Bibliographie
0) Préliminaires ensemblistes d) Propriétés union,

intersection
Si A, B, C sont des sous ensembles de U fixé.

A∪A=A A∩A=A
(A ∪ B) ∪ C = A ∪ (B ∪ C) (A ∩ B) ∩ C = A ∩ (B ∩ C)
A∪B =B∪A A∩B =B∩A
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C) A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)
A∪∅=A A ∩ U = A.
A∪U =U A∩∅=∅
A∪ Ac =U A ∩ Ac = ∅
(Ac )c = A Uc = ∅
(A ∪ B)c = Ac ∩ B c (A ∩ B)c = Ac ∪ B c

Bibliographie
Quantitative Questions from Wall street Job interviews
Si A ∩ C ⊂ B ∩ C et A ∪ C ⊂ B ∪ C, montrer que A ⊂ B.

Bibliographie
0) Préliminaires ensemblistes e) Ensemble standards
∅ ensemble vide.
N: ensemble des entiers naturels.
Z: ensemble des entiers relatifs.
R: ensemble des réels.
[a, b] = {x ∈ R, a ≤ x ≤ b};
]a, b] = {x ∈ R, a < x ≤ b}.

Bibliographie
0) Préliminaires ensemblistes f)Produit cartesien
Le produit cartésien de A et B, noté A × B, est l’ensemble

de toute les paires (a, b) avec a ∈ A et b ∈ B. Donc
A × B = {(a, b) | a ∈ A and b ∈ B}
De même, le produit cartésien de n ensembles, A1 , · · · An ,

noté A1 × A2 × · · · × An est l’ensemble des n-uples
(a1 , · · · , an ) avec a1 ∈ A1 , a2 ∈ A2 , · · · , an ∈ An .

Bibliographie
0) Préliminaires ensemblistes g) Ensemble des parties

d’un ensemble
L’ensemble des parties de A est l’ensemble dont les éléments

sont les sous-ensembles de A. Il est noté 2A .
Par exemple, si E = {1, 2, 3},
2E = {∅, {1}, {2}, {3}, {1, 2}, {1, 3}, {2, 3}, {1, 2, 3}}

Bibliographie
0) Préliminaires ensemblistes h) famille d’ensemble,

suite d’ensemble
Soit I un ensemble, et pour tout i ∈ I un ensemble Ai qui
peux dépendre de i.
On appelle famille des ensembles Ai indexée par i ∈ I,
notée (Ai )i∈I , une telle donnée d’ensembles Ai pour tout
i ∈ I.
Si I est l’ensemble des entier naturels, on dira que la
famille d’ensemble est une suite d’ensemble: exemple:
(An )n∈N = ([−n, n])n∈N
On définit alors
∪i∈I Ai
par...
On définit alors
∩i∈I Ai
par...
Bibliographie
0) Préliminaires ensemblistes h) famille d’ensemble,

suite d’ensemble
Limite supérieure, Limite inférieure:

Soit (An )n∈N une famille d’ensembles.
lim sup An défini par:
n→∞
lim sup An = ∩∞ ∞
i=0 (∪j=i Aj ).
n→∞
lim inf An défini par:
n→∞
lim inf An = ∪∞ ∞
i=0 (∩j=i Aj ).
n→∞

Bibliographie
0) Préliminaires ensemblistes i) Application

On appelle application de A dans B...
A est appelé ensemble de départ, B ensemble d’arrivé. Le graphe de f
est ....
Si C ⊂ B, et f : A → B est une application, on appelle pré-image de B
par f , notée f −1 (C), le sous ensemble de A défini par
f −1 (C) := {x ∈ A : f (x) ∈ C}.

Si D ⊂ A, et f : A → B est une application, on appelle image de D par f ,
notée f (D), le sous ensemble de B défini par
f (D) := {f (x) : x ∈ D}.

Si f : A → B est une application, et A0 et A00 sont des sous ensembles
de A, on a f (A0 ∪ A00 ) = f (A0 ) ∪ f (A00 ) mais par contre seulement, en
général f (A0 ∩ A00 ) ⊂ f (A0 ) ∩ f (A00 ).
Si f : A → B est une application, et B 0 et B 00 sont des sous ensembles
de B, on a par contre toujours f −1 (B 0 ∪ B 00 ) = f −1 (B 0 ) ∪ f −1 (B 00 ) et
f −1 (B 0 ∩ B 0 ) = f −1 (B 0 ) ∩ f −1 (B 00 ).

Bibliographie
0) Préliminaires ensemblistes j) Application
Composition de deux applications...

Application injective, surjective, bijective, application
inverse.

Bibliographie
0) Préliminaires ensemblistes k) Suites, séries
Soit A un ensemble. On appelle suite d’éléments de A...

Suite croissante.
Sous suite.
Base sur les séries.

Bibliographie
0) Quantitative Questions from Wall street Job

interviews
Quelle est la somme des entiers de 1 à 100 ? Quelle est la

somme des carrés des entiers de 1 à 100 ? Quelle est la
somme des cubes des entiers de 1 à 100 ?

Bibliographie
0) Préliminaires ensemblistes l) Ensemble finis, infini,

dénombrable
Un ensemble A est fini s’il existe un entier n ≥ 0 tel que A
est en bijection avec {1, 2, ..., n}. On note alors
n = Card(A).
Un ensemble est dénombrable s’il est en bijection avec N.
Exemples: N, Z, Q sont dénombrables. (R n’est pas
dénombrable: idée de preuve...)
Propriétés:
1) S’il existe une injection d’un ensemble A dans N alors A
est fini ou dénombrable.
2) S’il existe une surjection de N dans un ensemble A,
alors A est fini ou dénombrable.
3) Un produit fini d’ensembles dénombrables est
dénombrable.
4) Une union dénombrable d’ensembles dénombrables est
dénombrable.
Bibliographie
0) Quantitative Questions from Wall street Job

interviews
Expliquer pourquoi N × N est dénombrable.

Bibliographie
Chapitre 1: première notions probabilistes
Chapitre 1: Premières notions probabilistes

Bibliographie
1) Univers
La théorie des probabilités permet de donner un sens précis à

des phrases telle que:
"Il y a de forte chances pour que l’entreprise A soit ruinée
d’ici un mois";
"Il y a peu de chance que le Cac 40 diminue de 100 points
demain".
"il fera beau dans une semaine.
"je vais gagner au loto"
"J’aurai trois enfants dont deux garçons plus tard."
"Le cours de l’action X ne dépassera jamais le seuil y".

Bibliographie
1) Univers
Dans les phrases précédentes, les affirmations telles que

"l’entreprise A sera ruinée d’ici un mois"
"le CAC 40 va diminuer de 100 points demain" ou
"il fera beau dans une semaine" seront appelées
événement dans la théorie probabiliste.
Pourra être appelé événement toute affirmation
susceptible d’être vraie ou fausse, et dont la valeur de
véritée dépendra (généralement) de choses imprévisibles
(comme la météo dans une semaine).

Bibliographie
1) Univers
La définition de l’Univers dépendra de ce que nous

voulons modéliser.
Par exemple, si l’on lance un dé à 6 faces et l’on
s’intéresse au résultat, on définira Ω = {1, 2, 3, 4, 5, 6}, où
chaque élément de Ω donne un résultat possible de Ω.
Si l’on lance deux dés, on pourra définir
Ω = {(i, j) : i ∈ {1, 2, 3, 4, 5, 6}, j ∈ {1, 2, 3, 4, 5, 6}, }.

Bibliographie
2) Evenement; vocabulaire
On notera Ω l’univers.
w (dans Ω) correspond au résultat d’une expérience aléatoire.

On l’appelle événement élémentaire; Selon l’interprétation
subjective, on l’appelera parfois aussi le "vrai état de la nature"
Si A ⊂ Ω, l’ événement ”w ∈ A” sera représenté par l’ensemble
A, appelé aussi événement.
A, parfois noté Ac , correspond à l’événement "non A" (appelé
événement contraire).
A ∪ B correspond à l’événement "A ou B"
A ∩ B correspond à l’événement "A et B"
Ω correspond à l’événement certain.
∅ correspond à l’événement impossible.
A ⊂ B signifie que l’événement A implique l’événement B.
On dit que A et B sont incompatibles si A ∩ B = ∅.
Bibliographie
3) Partition
Soit E un ensemble.Une famille non vide (Ai )i∈I de

sous-ensembles de E est appelée une partition de E si
∪i∈I Ai = E
et si pour tout i et j différents dans I,
Ai ∩ Aj = ∅.
Le "lemme de partionnement" suivant sera utile:
Lemme Soit Ω l’univers, soit une famille non vide (Ai )i∈N de
sous-ensembles de Ω. Alors il existe une famille (Bi )i∈N de
sous-ensembles de Ω qui est une partition de ∪i∈N Ai , et avec
∪ni=0 Ai = ∪ni=0 Bi pour tout n ≥ 0.

Bibliographie
3) Partition
Une partition modélise une structure d’information.

Exemple: si on lance un dé à six faces, Ω = {1, 2, 3, 4, 5, 6}.
Si on vous dit uniquement si le résultat du dé est pair ou impair.
Pour chaque résultat possible w, on peut considérer l’ensemble
Ew des w 0 que l’on ne peut distinguer de w compte tenu de
l’information disponible;
ici, pour w = {1} on obtient E1 = {1, 3, 5}.
pour w = {2} on obtient E2 = {2, 4, 6}.
Si l’on continue on obtient encore ces deux ensembles
alternativement.
On remarque que l’ensemble formé des ensembles précédents
est une partition de Ω, appelé partition d’information.
A retenir: une partition peux représenter de l’information.

Bibliographie
4) Tribu
Soit Ω un ensemble. Une famille non vide A ⊂ 2Ω de

sous-ensembles de Ω est appelée une tribu (parfois appelée
σ-algèbre) sur Ω si:
1) ∅ ∈ A et Ω ∈ A.
2) Pour tout A ∈ A, Ac ∈ A.
3) Si pour tout n ∈ N, An ∈ A, alors ∪n∈N An ∈ A.
Le couple (Ω, A) est alors appelé espace mesurable. Tout
élément de A est appelé partie mesurable.
Le 3 se lira: "une tribu est stable par union dénombrable". Il est

facile de vérifier que "une tribu est stable par intersection
dénombrable"
Par définition, une sous-tribu de A est une tribu inclue dans A.
Propriété: une intersection de tribus est une tribu.

Bibliographie
4) Tribu: exemples
Exemples de tribus sur Ω:
Tribu grossière: {∅, Ω}. Représente la situation où vous
n’avez ... aucune information.
Tribu discrète: 2Ω . Représente la situation où vous avez ...
toute l’information.
Tribu engendrée:
Definition on appelle tribu engendrée par C ⊂ 2Ω (on dira
aussi tribu engendrée par les C ∈ C), notée σ(C) , la plus
petite tribu contenant C, formellement:
σ(C) = intersection de toutes les tribus contenant C.
σ(C) correspond à l’information suivante: Etant donné le

vrai état de la nature, votre information vous permet de
savoir pour tout C ∈ σ(C) si w ∈ C est vrai ou faux.
Bibliographie
4) Tribu. exemple: tribu borélienne
Tribu borélienne sur Rn , notée B(R n

Qd ): c’est la tribu engendrée
par les ensembles de la forme i=1 ]ai , bi [, ai et bi réels
quelconques. On dira que B ⊂ Rn est borélien si B ∈ B(Rn ).
La tribu borélienne sur R contient les intervalles

quelconques, les ouverts quelconques (pas forcément
intervalle), les fermés quelconques, ....
Donc, intuition: la tribu borélienne est trés grosse, et
contient en pratique la plupart des ensembles auquel on
peux penser naturellement.
Mais il y a quand même des ensemble non boréliens!

Bibliographie
4) Tribu: lien entre tribu et partition (pas la même

chose, mais peux représenter un même objet)
Si Ω est fini, il est facile de construire une application bijective Φ qui
associe à une partition P = {A1 , ..., An } sur Ω une tribu sur Ω,
simplement par
Φ(P) = σ{A1 , ..., An }.

Réciproque de Φ: soit B une tribu.
Φ−1 (B) = {A1 , ..., An }
peux se définir ainsi:
Etape 1: On prend n’importe quel w1 ∈ Ω, et on définie A1 comme
l’intersection des E ∈ B qui contiennent w1 .
Etape 2: On prend n’importe quel w2 ∈ / A1 , et on définie A2 comme
l’intersection des E ∈ B qui contiennent w2 .
Etape 3: On prend n’importe quel w3 ∈ / (A1 ∪ A2 ), et on définie A3
comme l’intersection des E ∈ B qui contiennent w3 .
On continuant ainsi, on montre qu’on définit bien Φ−1 (B).

Bibliographie
4) Tribu
Moralité: vous pouvez soit représenter l’information par une

partition, soit par une tribu, le procédé précédent permettant de
passer de l’un à l’autre.

Bibliographie
Debut Examen probabilité 2014
Soit Ω = {111, 121, 222, 333, 444, 462}. C’est un ensemble de codes
(à trois chiffres) possibles pour ouvrir un cadenas. 1) Vous n’avez
aucune information sur le bon code. Quelle est votre partition
d’information ? votre tribu d’information ?
2) On vous donne maintenant les trois informations suivantes,
successivement, i.e. vous accumulez au fur et à mesure de
l’information
a) On commence par vous dire si le code est impair ou pair. Quelle
est votre nouvelle partition d’information ? votre nouvelle tribu
d’information ?
b) On vous donne l’information précédentes et on vous dit en plus si
le code commence par 4 ou non. Quelle est votre nouvelle partition
c) On vous donne les deux informations précédentes, et on vous dit
en plus si le code est 444 ou non. Quelle est votre partition

Bibliographie
5) Mesure, Probabilité
Definition On appelle mesure positive (ou simplement mesure)

sur un espace mesuré (Ω, A) une application de A dans
[0, +∞] telle que:
1) µ(∅) = 0.
2) Pour toute famille (Ai )i∈IN de parties mesurables (i.e. pour
tout n ≥ 0, An ∈ A), disjointes, on a:
+∞
X
µ(∪+∞
i=0 Ai ) = µ(Ai ).
i=1
Le triplet (Ω, A, µ) est appelé espace mesuré.

On dit que µ est finie si µ(Ω) est finie.
On dit que µ est σ−finie si il existe une famille Ωn ⊂ Ω de
parties mesurables telles que pour tout n ≥ 0, µ(Ωn ) < +∞ et
telle que ∪n Ωn = Ω.
On dit que ω ∈ Ω est un atome de µ si µ(ω) > 0.
Bibliographie
Definition (Probabilité)
On appelle probabilité P sur un espace mesuré (Ω, A) une
mesure P telle que P(Ω) = 1. Le triplet (Ω, A, P) est alors
appelé espace probabilisé.

Bibliographie
Opération de base sur mesure: combinaison linéaire

On peux effectuer des combinaison linéaire de mesure (et donc
des combinaison linéaire de probabilités aussi): si µ1 , ...,µn
sont des mesures, et a1 , ...an des réels, la mesure
µ = a1 µ1 + ... + an µn est définie par....
Opération de base sur probabilité: somme pondérée infinie

Si P1 , ...,Pn ,....P
sont des probabilités, et a1 , ...an , ... des réels de
+∞ P+∞
somme 1 (i.e. i=1 ai = 1), alors la probabilité P = i=1 ai Pi
est définie par....

Bibliographie
5) Mesure, Probabilité. Exemple 1: mesure de Dirac
Soit un espace mesuré (Ω, A), et w ∈ Ω. On appelle Mesure de

dirac en w, notée δw , l’application δw : A → [0, 1] définie par
∀A ∈ A, δw (A) = 0 si w ∈ / A et δw (A) = 1 si w ∈ A.
Propriété: C’est une probabilité.

Interprétation...

Bibliographie
5) Mesure, Probabilité. Exemple 2: mesure de

comptage
Mesure de comptage: soit (Ω, A) espace mesuré. Alors

l’application µ : A → R définie par:
∀A ∈ A, µ(A) =Card(A) si A fini et µ(A) = +∞ si A infini,
est une mesure. Elle est σ-finie si, par exemple, Ω = IN.

Bibliographie
5) Mesure, Probabilité. Exemple 3: Mesure de

Lebesgue
Un théorème nous assure qu’il existe une unique mesure λn

l’espace mesuré (IRn , B(IRn )), telle que pour tout
σ-finie sur Q
ensemble di=1 ]ai , bi [, on ait:
d
Y d
Y
λn ( ]ai , bi [) = (bi − ai ).
i=1 i=1
C’est la mesure la plus intuitive sur IRn (celle correspondant au

calcul de volume classique).

Bibliographie
Quelle est la mesure de Lebesgue d’une partie finie de Rn ?

Quelle est la mesure de Lebesgue d’une partie dénombrable
de Rn ?
Quelle est la mesure de Lebesgue de {(x, 0) : x ∈ R} dans R2
?

Bibliographie
5) Mesure, Probabilité. Propriétés

Soit µ une mesure sur un espace mesuré.
Si A et B sont mesurables et A ⊂ B alors µ(A) ≤ µ(B).
Sii A et B sont mesurables alors
µ(A ∪ B) = µ(A) + µ(B) − µ(A ∩ B).
(Formule de Poincaré) Plus généralement, Si A1 , ...,An sont des
ensembles mesurables, alors ...
En particulier, si A1 , ...,An sont
Pn des ensembles mesurables
disjoints, alors µ(∪ni=0 Ai ) = i=1 µ(Ai ).
Si (An )n∈N est une suite croissante (sens ?) d’ensembles
mesurables, alors µ(∪i∈IN Ai ) = limn→+∞ µ(An ).
Si (An )n∈N est une suite décroissante (sens ?) d’ensembles
mesurables dont au moins un a une mesure finie, alors
µ(∩i∈IN Ai ) = limn→+∞ µ(An ).
Si (An )n∈N est une suite d’ensembles quelconques mesurables,
P+∞
alors µ(∪+∞
i=0 Ai ) ≤ i=1 µ(Ai ).

Bibliographie
6) Probabilité discrète
Dans cette section 6, on prendra toujours comme tribu sur Ω la

tribu discrete P(Ω). Donc on parlera de probabilités sur Ω.

Bibliographie
6) Probabilité discrète
Par définition, une probabilité P sur Ω est discrète s’il

existe un ensemble dénombrable D = {w0 , ..., wn , ...} tel
que P(D) = 1.
En particulier, cela implique que P(A) = 0 dès que A ⊂ D.
Cela signifie qu’on est certain que le vrai état de la nature
est dans cet ensemble dénombrable D, on peux donc se
restreindre à cet espace D, i.e. prendre
Ω = {w1 , ..., wn , ...}.
Important P est parfaitement définie par la donnée des
réels ai = P({wi }) pour tout i ∈ N.
Ces réels sont chacun dans [0, 1], et +∞
P
i=0 ai = 1.
Réciproquement,
P+∞ la donnée de réels ai dans [0, 1] tels que
a
i=0 i = 1 défini parfaitement une probabilité discrète P
sur D en posant ai = P({wi }).
Bibliographie
6) Probabilité discrète finie
Une probabilité P sur Ω est finie s’il existe un ensemble fini

D = {w1 , ..., wn } tel que P(D) = 1.
En particulier, cela implique que P(A) = 0 dès que A ⊂ D.
Cela signifie qu’on est sur que le vrai état de la nature est
dans cet ensemble fini D, on peux donc se restreindre à
cet espace D, i.e. prendre Ω = {w1 , ..., wn }.
Important P est parfaitement définie par la donnée des
réels ai = P({wi }) pour tout i = 1, ..., n.
Ces réels sont chacun dans [0, 1], et ni=1 ai = 1.
P
Réciproquement,
Pn la donnée de réels ai dans [0, 1] tels que
a
i=1 i = 1 défini parfaitement une probabilité finie P sur
D en posant ai = P({wi }) pour tout i.

Bibliographie
6) Probabilité discrète: une autre écriture
Soit une probabilité discrète P sur Ω = {w0 , ..., wn , ...}. Alors

+∞
X
P= P({wi })δwi
i=0
Soit une probabilité finie P sur Ω = {w0 , ..., wn }. Alors

n
X
P= P({wi })δwi
i=0

Bibliographie
7) Exemples de probabilités finies: probabilité

uniforme
Si Ω est fini, une probabilité uniforme P sur Ω est telle que

P({w}) = P({w 0 }) pour tout w, w 0 dans Ω. En particulier, si
E ⊂ Ω, on peu calculer P(E) par la formule
Card(E)
P(E) = .
Card(Ω)
C’est la "fameuse" formule: nombre de cas favorables/nombre

de cas possibles. Cela nécessite d’être capable de les calculer,
d’où la section suivante.

Bibliographie

uniforme; "Rappels" de dénombrements
Si l’on effectue k tirages dans une urne de n boules, alors on a:
Akn (arrangement de k parmi n) possibilités si les tirages sont sans

remise, et si l’ordre des boules compte. C’est aussi le nombre de
k -listes d’éléments distincts d’un ensemble à n éléments.
n

k
(k parmi n) possibilités si les tirages sont sans remise, et si l’ordre
des boules ne compte pas. C’est aussi le nombre de manière de
choisir un sous-ensemble de k éléments dans un ensemble à n
éléments.
nk possibilités si les tirages sont avec remise, et si l’ordre des boules
compte. C’est aussi le nombre de k -listes d’éléments d’un ensemble à
n éléments.
n+k −1

k
possibilités si les tirages sont avec remise, et si l’ordre des
boules ne compte pas.
Il faut savoir aussi que le nombre de parties d’un ensemble à n éléments est
2n .
Bibliographie

uniforme; Exemples
Entretien d’embauche google:
«Vous êtes dans une pièce sombre, sans lumière. Vous avez
besoin de chaussettes assorties pour votre entretien
d’embauche et vous avez 19 chaussettes grises et 25
chaussettes noires. Quelles sont vos chances d’avoir une paire
assortie?»
Bibliographie
Chapitre 2: probabilité conditionnelle, première notion

d’indépendence.
Soit A une tribu de Ω, et P une probabilité sur (Ω, A). On dit

que deux événement A et B de A sont indépendants si
P(A ∩ B) = P(A).P(B).
On dit que les événements A1 , ..., An sont indépendants deux à
deux si n’importe quel couple de cette liste constitue un couple
d’événements indépendants.

Bibliographie

d’indépendence.
Soit A une tribu de Ω, et P une probabilité sur (Ω, A).

On dit que les événements A1 , ..., An sont mutuellement
indépendants si pour tout k ∈ {2, ..., n}, pour tout Ai1 , ...Aik
1 ≤ i1 < i2 ... < ik ≤ n, on a P(Ai1 ∩ ... ∩ Aik ) = P(Ai1 )...P(Aik ).

Bibliographie

d’indépendence.

Bibliographie

d’indépendence.
Si A1 , ..., An sont mutuellement indépendent, ils sont deux à

deux indépendents, mais la réciproque peux être
fausse...(SAUF pour n = 2!)

Bibliographie

d’indépendence.
Trouvez A1 , A2 , A3 deux à deux indépendents, mais pas

mutuellement indépendents.

Bibliographie

d’indépendence.
Que peux t-on faire avec des événements mutuellement

indépendents ?
Si A1 ,..., An sont mutuellement indépendants, on peut

remplacer certains Ai par son complémentaire sans changer le
mutuelle indépendence.

Bibliographie

d’indépendence.
On peux définir aussi l’indépendence de tribus ou de partition!!!
Soit A et B deux sous-tribus d’une tribu C, et P une probabilité

sur C. On dit que A et B sont indépendantes si pour tout A ∈ A
et tout B ∈ B, on a P(A ∩ B) = P(A).P(B).
Soit P et Q deux sous partitions, et P une probabilité bien

définie sur P et Q, alors P et Q seront dites indépendentes si
pour tout A ∈ P et tout B ∈ Q, on a P(A ∩ B) = P(A).P(B).
Remarque. Ceci se généralise facilement au cas de n tribus ou

n partitions.

Bibliographie
Section 2: probabilité conditionnelle.
Soit (Ω, A, P) espace probabilisé. Soit B ∈ A tel que P(B) > 0.

On appelle probabilité conditionnée par B (ou sachant B) le
nombre noté P(A | B), ou parfois PB (A), défini par
P(A ∩ B)
P(A | B) = .
P(B)
Exercice: montrez que cela définit une nouvelle probabilité sur

(Ω, A).

Bibliographie
Section 3: formule des probabilités totales.
Soit (Ai )i∈I une famille d’événements deux à deux disjoints

dont l’union est Ω (on parle de système complet d’événements)
telle que P(Ai ) > 0 pour tout i. Alors on a
X
P(A) = P(A | Ai )P(Ai ).
i∈I
Exercice Prouver cette proposition.

Bibliographie
Section 4: Théorème de Bayes.
Soit (Ai )i∈I un système complet d’événements tel que

P(Ai ) > 0 pour tout i. Alors on a pour événement A ⊂ Ω et pour
tout i
P(A | Ai )P(Ai )
P(Ai | A) = P .
j∈I P(A | Aj )P(Aj )

Bibliographie
Section 5: Formule des probabilités composées.
Soit A1 , ..., An n événements tels que P(A1 ∩ A2 ... ∩ AN ) > 0.

Alors on a
P(A1 ∩A2 ...∩An ) = P(A1 )P(A2 | A1 )P(A3 | A1 ∩A2 )....P(An | A1 ∩A2 ...∩An−1 ))

Bibliographie
Une urne contient initialement 7 boules noires et 3 boules

blanches. On tire successivement 3 boules : si on tire une
noire, on l’enlève, si on tire une blanche, on la retire, et on
ajoute une noire à la place. Quelle est la probabilité de tirer 3
blanches à la suite?
Bibliographie
Un sac contient 2 pièces de monnaie. L’une est équitable, et à

une probabilité 21 de donner "pile" ou "face" ; la seconde à
probabilité 13 de donner face. On choisit au hasard une pièce et
on la lance. On observe un résultat "face". Quelle est la
probabilité d’avoir choisi la pièce équitable ?
Bibliographie
Trois portes, un trésor, vous choisissez une porte. Je vous

donne aléatoirement une autre porte qui ne contient pas le
trésor. Quelle est la bonne stratégie ?

Bibliographie
Chapitre 3: variable aléatoire: cas discret. Section 1:

définition
Dans ce chapitre, on prendra systématiquement comme tribu

sur Ω la tribu 2Ω qu’on ne précisera plus. Ainsi, (Ω, P) espace
probabilisé signifiera P probabilité sur (Ω, 2Ω ).
On considère aussi dans ce chapitre uniquement le cas Ω fini
ou dénombrable (c’est ce qu’on appelle le cas discret). Cela
permet principalement de se ramener à des listes (finies ou
non).
Soit (Ω, P) espace probabilisé. On appelle variable aléatoire X

sur (Ω, P) une application X de Ω dans R.

Bibliographie
Section 2: notations, image réciproque...
Image réciproque et quelques notations: ”X = x”, ”X ≤ x”, ...

Bibliographie
Section 3: Loi d’une Variables aléatoires.
Définition: Loi d’une variable aléatoire X :

On appelle loi de la variable aléatoire X la probabilité PX ,
définie sur X (Ω), par
∀A ⊂ X (Ω), PX (A) = P(X −1 (A)).

Bibliographie
Section 4: Variables aléatoires: indépendence.
On dit que deux variables aléatoires X et Y sur (Ω, P) à valeurs

dans IR sont indépendantes si
P(X = k et Y = l) = P(X = k ).P(Y = l) pour tout
(k , l) ∈ X (Ω)2 .
On dit que des variables aléatoires X1 , ...,Xl sur (Ω, P) à

valeurs dans IR sont indépendantes si
P(X1 = k1 ... et Xl = kl ) = P(X1 = k1 )....P(Xl = kl ) pour tout
(k1 , ..., kl ) ∈ X1 (Ω) × ... × Xk (Ω).

Bibliographie
Section 5: Loi usuelles finies.
Exemple 1:Loi Uniforme U({0, ..., n})
Soit n un entier positif.

La variable aléatoire X suit une loi uniforme (notée
U({0, ..., n})), si:
i) X prend les valeurs possibles {0, 1, ..., n}
1
ii) ∀i = 0, .., n, P(X = i) = n+1

Bibliographie
Soit X et Y des variables aléatoires uniformes sur {0, 1, ..., n}.

On suppose que X et Y sont indépendentes. Calculer
P(X = Y ) et P(X ≤ Y ).

Bibliographie
Exemple 2: Loi binomiale B(n, p)
Soit n un entier strictement positif et p ∈ [0, 1].

On dit que la variable aléatoire X suit une loi Binomiale, notée
B(n, p), si:
i) X prend toutes les valeurspossibles dans {0, 1, ..., n}
ii) ∀i = 0, .., n, P(X = i) = ni pi (1 − p)n−i
Pour n = 1, on parle de loi de Bernouilli.
Loindu nombre de succés.

Bibliographie
Soit X et Y deux Bernoullis indépendantes de même loi.

a) Trouver la loi de X + Y et de X − Y .
b) Est-ce que X + Y et X − Y sont indépendantes ?

Bibliographie
Section 5: Loi usuelles dénombrables
Exemple 3:Loi de Poisson P(λ). Soit λ > 0. La v.a. X suit

une Poisson de paramètre λ, notée P(λ), si X prend toutes les
valeurs possibles dans IN, et si sa loi de probabilité définie par
λk
∀k ∈ IN, P(X = k ) = e−λ
k!
Espérance et variance: E(X ) = λ et V (X ) = λ.
Interprétation La probabilité que k clients se présentent à un

guichet pendant un laps de temps t > 0 est,
approximativement, P(X = k ), où X suit une loi de poisson
P(λ), avec λ =nombre moyen de clients se présentent au
guichet pendant le laps de temps t > 0.

Bibliographie
Une companie d’assurance a determiné que la variance du

nombre de morts déclarés à la companie chaque jour est 5. a)
Soit X le nombre de mort chaque jour déclarés à la companie
d’assurance. Quelle loi postulez vous pour X ? b) Calculer la
probabilité pour qu’un jour donné, le nombre de mort déclarés
soit supérieur à 7.
Bibliographie
Section 5: Loi usuelles dénombrables.
Exemple 4: Loi géométrique G(p): Soit q ∈ [0, 1[ et p = 1 − q.

On dit que la variable aléatoire X suit une loi Géométrique
G(p), si X prend toutes les valeurs possibles dans IN, et si sa
loi de probabilité est définie par
∀k ∈ IN, P(X = k ) = p.q k

1 1−p
Espérance et variance: E(X ) = p et V (X ) = p2
.

Bibliographie
Section 6:Espérance d’une variable aléatoire.
Definition Soit X une variable aléatoire sur Ω fini, muni de la

probabilité P. On appelle espérance de X l’élément notée
E(X ), défini par
X
E(X ) = X (w)P(w).
w∈Ω
Formule pratique: On a aussi

X
E(X ) = i.PX (i),
i∈X (Ω)
si bien que l’espérance peut-être obtenue uniquement à partir

de la loi de X .

Bibliographie
Section 6:Espérance d’une variable aléatoire
L’espérance est linéaire.

Si X et Y sont indépendentes, E(XY ) = E(X )E(Y ).

Bibliographie
Section 6:Espérance d’une variable aléatoire.
En pratique, on cherche souvent à calculer E(f (X )):
Soit X une variable aléatoire à valeur dans IR, définie sur Ω, et

f une fonction de IR dans IR. Alors E(f (X )) (qui peut exister ou
non) peut être calculé par
X
E(f (X )) = f (i)P(X = i).
i∈X (Ω)

Bibliographie
Soit X une variable aléatoire suivant une loi de poisson P(λ).

1
Calculer E( 1+X ).

Bibliographie
Section 7: Variance, covariance d’une variable

aléatoire
Definition Soit X une variable aléatoire sur Ω fini, muni de la

probabilité P. On appelle variance de X l’élément notée V (X ),
défini par X
V (X ) = (X (w) − E(X ))2 P(w)
w∈Ω
c’est à dire
V (X ) = E((X − E(X ))2 )
p
Le nombre positif σX = V (X ) est l’écart type de X .
Si X et Y sont des variables aléatoires de Ω, alors on appelle
covariance de X et Y :
cov (X , Y ) = E((X − E(X ))(Y − E(Y )).

Le nombre ρXY = √cov (X ,Y ) est le coefficient de corrélation de
V (X ).V (Y )
Bibliographie
Section 7: Variance, covariance d’une variable

aléatoire
Soient X et Y deux variables aléatoires.

Cov (XY ) = E(XY ) − E(X )E(Y ).
Cov (X , Y ) = Cov (Y , X )
Si X est constante, Cov (X , Y ) = 0.
Cov(.,.) est bilinéaire.
| Cov (X , Y ) |≤ σX σY , avec égalité si et seulement si il
existe deux constantes a et b telles que Y = aX + b.
Variance d’une somme.

Bibliographie
Soit Y une variable aléatoire sur (Ω, F). Prouver que pour tout
x ∈ IR,
E((Y − x)2 ) = Var (Y ) + (E(Y ) − x)2 .
En déduire le minimum de l’application f (x) = E((Y − x)2 )
quand x varie dans IR.
Bibliographie
Chapitre 4: Espérance conditionnelle. Section 1:

motivation
Soit Ω = {1, 2, 3, 4, 5, 6} muni de tribu A = 2Ω et P proba

uniforme.
Soit X variable aléatoire définie par X (w) = w
Si l’on n’a aucune information sur X , une prévision
raisonnable est
21 7
E(X ) = = .
6 2
On peux montrer que x = E(X ) est la solution de
minx∈R E((x − X )2 ).

Bibliographie

motivation
Supposons maintenant qu’on vous dise si le nombre est
impair ou pair.
C’est équivalent à vous donner la valeur de Y définie par
Y (w) = 0 si w pair, Y (w) = 1 si w impair.
Prévision "raisonnable" de X connaissant Y ?
Si Y = 0, une prédiction moyenne possible est
E(X | Y = 0) = 123 = 4.
Si Y = 1, une prédiction moyenne possible est
E(X | Y = 1) = 93 = 3.
La variable aléatoire qui vaut 4 quand Y = 0 et 3 quand
Y = 1 est impaire est appelée espérance conditionnelle de
X sachant Y , et notée E(X | Y ).
Ici, on peux noter
E(X | Y ) = E(X | Y = 0)1IY =0 + E(X | Y = 1)1IY =1 .
Bibliographie

variable aléatoire: cas général
On avait pris le cas particulier de Ω muni de la tribu 2Ω

jusqu’à maintenant (information totale).
Maintenant, on considère le cas plus général d’une tribu A
quelconque sur Ω.
Definition "Variable aléatoire réelle" sur (Ω, A, P)
Soit (Ω, A, P) espace probabilisé. On appelle variable
aléatoire réelle sur (Ω, A, P) une application X : Ω → R
telle que:
pour tout réel x, X −1 (] − ∞, x]) ∈ A.
On notera la dernière condition aussi: pour tout réel x,
”X ≤ x” ∈ A. Cette condition est appelée A−mesurabilité
de X .

Bibliographie

Cas particulier où X prend un nombre fini ou dénombrable

de valeurs Dans ce cas, on peux montrer que X : Ω → R est
une variable aléatoire réelle si et seulement si pour tout réel x,
X −1 ({x}) ∈ A.
On notera la dernière condition aussi ”X = x” ∈ A.
Caractérisation intuitive de variable aléatoire sur (Ω, A, P):
X est une variable aléatoire réeelle sur (Ω, A, P) si, une fois w
survenue (mais pas forcément connu), et compte tenu de
l’information que vous donne A, vous êtes capable de donner la
valeur de X (w) (sans connaitre w!).
Une autre façon de voir X est une variable aléatoire réeelle sur
(Ω, A, P) est que vous êtes capable de probabiliser les prises de
valeurs de X .

Bibliographie

X : Ω → R est toujours une variable aléatoire réeelle sur

(Ω, A, P) quand A = 2Ω .
X : Ω → R n’est jamais une variable aléatoire réeelle sur
(Ω, A, P) quand A = {∅, Ω} sauf quand ...
X est constante!
Si X : Ω → R est une variable aléatoire réelle sur (Ω, A, P),
alors X est aussi une variable aléatoire sur (Ω, B, P) quand
A ⊂ B. Le contraire n’est pas forcément vrai.

Bibliographie

espérance conditionnelle par rapport à un événement
Soit X : Ω → R une variable aléatoire réeelle sur (Ω, A, P)

et A ∈ A tel que P(A) > 0.
E(X 1IA )
E(X | A) = .
P(A)
C’est aussi l’espérance de X par rapport à la probabilité
P(. | A).

Bibliographie

espérance conditionnelle par rapport à une tribu ou
une partition (Ω fini).
Soit X : Ω → R une variable aléatoire réeelle sur (Ω, A, P),

B une sous tribu de A et P = {A1 , ..., Ak } la partition
associée.
Par définition
k
X E(X 1IA ) i
E(X | B) := E(X | P) := 1IAi .
P(Ai )
i=1

Bibliographie

espérance conditionnelle par rapport à une variable
aléatoire prenant un nombre fini de valeurs.
Soit X : Ω → R une variable aléatoire réeelle sur (Ω, A, P),

Y une autre variable aléatoire réelle sur (Ω, A, P) prenant
les valeurs y1 , .., yk .
k
X
E(X | Y ) = E(X | Y = yi )1IY =yi .
i=1
C’est aussi
E(X | Y ) = E(X | σ(Y )).
où σ(Y ) est la tribu engendrée par Y .

Bibliographie

espérance conditionnelle par rapport à une tribu: cas
plus général.
Définition théorique de l’espérance conditionnelle, sans formule
explicite pour la calculer.
Dans le cas plus général (Ω non fini), si X : Ω → R une variable

aléatoire réelle sur (Ω, A, P) admettant une variance, et B tribu
⊂ A. On peux définir E(X | B) comme:
- la variable aléatoire sur (Ω, B, P) (Condition (1) ci-dessous )
- qui est la plus proche de X au sens de la distance
quadratique, (Condition (2) ci-dessous) i.e.:
(1) E(X | B) doit être B−mesurable.
(2) Pour tout Z : Ω → R qui est B−mesurable,
E((X − Z )2 ) ≥ E((X − E(X | B))2 ).

Bibliographie

espérance conditionnelle par rapport à une tribu: cas
plus général.
La condition (1) peux s’interpréter comme: la prediction de

X compte tenu de l’information B doit être connaissable
étant donnée l’information B− disponible.
La condition (2) peux s’interpréter comme: la prediction de
X compte tenu de l’information B est la plus proche
possible de X , avec comme contrainte de satisfaire la
condition (1).

Bibliographie

propriété espérance conditionnelle (Ω fini).
Soit X , Y v.a.r. sur (Ω, A, P), B une sous-tribu de A.

(i) On a E(E(X | B)) = E(X ).
(ii) (Positivité) Si X ≥ 0 alors E(X | B) ≥ 0.
(iii) (Linéarité) E(λX + µY | B) = λE(X | B) + µE(Y | B).
(iv) (Croissance) Si X ≥ Y alors E(X | B) ≥ E(Y | B).
(vii) (Inégalité de Jensen) Soit φ : IR → IR une fonction
convexe (i.e. ∀(x, y ) ∈ IR2 , ∀λ ∈ [0, 1], f (λ.x + (1 − λ).y ) ≤
λ.f (x) + (1 − λ).f (y ).), alors
φ(E(X | B)) ≤ E(φ(X ) | B) .

Bibliographie

En prenant espérance dans Jensen, on trouve simplement:

Soit φ : IR → IR une fonction convexe, alors
φ(E(X )) ≤ E(φ(X )) .
Si X est le prix d’une action, et φ la valeur d’une option

européenne (convexe!) en fonction du prix du sous-jacent,
Jensen dit que...
On peux faire un D.L. pour affiner l’idée précédente...

Bibliographie

Autres propriétés: Soit X , Y v.a.r. sur (Ω, A, P), B une
sous-tribu de A.
(i) Si X est B-mesurable, alors E(X | B) = X .
(ii) Si X est A-mesurable et Y est B-mesurable,
E(X .Y | B) = Y .E(X | B).
(iii) Si C est une sous-tribu de B et si X est A-mesurable,
alors E((X | B) | C) = E(X | C) = E((X | C) | B).
(iv) Si B est indépendente de X (i.e.
P(X ≤ x ∩ E) = P(X ≤ x)P(E) pour tout x réel et E ∈ B)
alors E(X | B) = E(X ).
(v) Si X1 , ..., Xn v.a.r. indépendentes, alors
E(Xn | X1 , ..., Xn−1 ) = E(Xn ).

Bibliographie
Chapitre 5: Processus stochastique à temps discret.

Section 1. Filtration. (Ω fini).
On appelle filtration (Fn )n=0,...,N une suite croissante de tribus,

c’est à dire
∀n = 0, ..., N − 1, Fn ⊂ Fn+1 .
On peux associer à cette suite de tribu une suite de partitions
(associées) (Pn )n=0,...,N . Les partitions sont de plus en plus fine
au sens suivant:
Definition On dit qu’une partition P est plus fine qu’une
partition P 0 si pour tout bloc d’information A ∈ P, il existe un
bloc d’information A0 ∈ P 0 tel que A ⊂ A0 .
Alors (exercice) F ⊂ F 0 si et seulement si la partition associée

à F 0 est plus fine que la partition associée à F.

Bibliographie

Section 1. Filtration. (Ω fini).
Ainsi, si (Fn )n=0,...,N est une filtration, et si (Pn )n=0,...,N une la

suite de partition associée, cette suite de partition est de plus
en plus fine (mais pas croissante pour l’inclusion!).

Bibliographie

Section 2. Arbre associé à une Filtration.
On peux définir l’arbre associé à la filtration ainsi:

1) A chaque date n = 0, ...N, ... les sommet de l’arbre sont les
blocs d’informations de la partition Pn associée à la tribu Fn
2) Les branches de l’arbre relient un bloc A ∈ Pn et un bloc
A0 ∈ Pn+1 du moment que A0 ⊂ A.

Bibliographie

Section 3. Probabilités de transition associée à une
Filtration.
Si (Ω, A, P) espace probabilisé et (Fn ) une filtration (en
particulier, Fn sous tribu de A), on définit les probabilités de
transition sur les différentes branches de l’arbre associé à la
filtration ainsi:
Si une branche de l’arbre relient un bloc A ∈ Pn et un bloc
A0 ∈ Pn+1 (donc A0 ⊂ A), la probabilité (en tant que nombre réel
dans [0, 1]) associée à cette branche est par définition
0
∩A) P(A0 )
P(A0 | A) = P(A P(A) = P(A) .
Pour tout noeud définit par un bloc A ∈ Pn à la date n, cela
définit une distribution de probabilités sur les noeuds suivant
{A0 ∈ Pn+1 : A0 ⊂ A} en n + 1 puisque
X
P(A0 | A) = 1.
A0 ∈Pn+1 :A0 ⊂A

Bibliographie

Section 4. Processus adapté (Ω fini).
Soit un espace probabilisé (Ω, A, P).
Définition On appelle processus stochastique à temps discret,

entre les dates t = 0 et t = N, noté (Xk )k =0,...,N , la donnée
d’une suite X0 , ..., XN de variables aléatoires sur (Ω, A, P).
Définition Soit F = (Fn )n=0,...,N une filtration. On dit que le

processus stochastique (Xk )k =0,...,N est F-adapté si pour tout
n, Xn est Fn - mesurable, i.e. ...

Bibliographie

Section 5. Martingale (Ω fini).
Soit un espace probabilisé (Ω, A, P), et X = (Xk )k =0,...,N un

processus stochastique à temps discret, ainsi que
F = (Fn )n=0,...,N une filtration.
Definition On dit que le processus stochastique X est une

F-martingale si:
(1) Le processus stochastique X est F-adapté.
(2) Pour tout n = 0, ..., N − 1, E(Xn+1 | Fn ) = Xn .
Montrez que cela implique que E(Xn ) est constante avec n.

Bibliographie

Illustration martingale: Chaque photo montre une "grille" de

plus en plus précise, représentant le suite des partitions qui
représente la filtration. Sur chaque bloc de la partition, la
"variable" aléatoire prend la même valeur, qui est le niveau de
gris du bloc. Le fait d’être une martingale se lit par...

Bibliographie



F-sous-martingale si:
(2) Pour tout n = 0, ..., N − 1, E(Xn+1 | Fn ) ≥ Xn .
Montrez que cela implique que E(Xn ) est croissante avec n.

Bibliographie



F-sur-martingale si:
(2) Pour tout n = 0, ..., N − 1, E(Xn+1 | Fn ) ≤ Xn .
Montrez que cela implique que E(Xn ) est décroissante avec n.

Bibliographie

Remarquer que dire que X est F-adapté, i.e. que Xn est
Fn mesurable pour tout n, est pareil que dire que à toute
date n, Xn prend les même valeurs en des w ∈ Ω dans un
même bloc d’information à la date n, i.e. à tout noeud à la
date n, on a une valeur (et pas plus) de Xn .
Remarquer que dire que E(Xn+1 | Fn ) ≤ Xn est pareil que
dire que la valeur de Xn en tout bloc d’information A ∈ Pn
est l’espérance des valeurs de Xn+1 dans les blocs
A0 ∈ Pn+1 qui sont reliés à A, i.e. A0 ⊂ A, par rapport aux
probabilité de transitions, i.e.:
X
Xn (A) = P(A0 | A)Xn+1 (A0 )
A0 ∈Pn+1 :A0 ⊂A
ou pour simplifier, on note Xn (A) la valeur commune des

Xn (w) quand w ∈ Ω et pareil pour Xn+1 (A0 ).
Bibliographie
Chapitre 6: Probabilités dans le cas continu
Attention: dans ce titre, continu est ici utilisé au sens du

contraire de "discret", pas au sens d’une fonction continue.
Definition: probabilité sur R.
On veux définir une probabilité sur R, ou sur un

sous-ensemble E de R.
Intuitivement, cela doit permettre de représenter la
distribution de fréquence d’un caractère "continu" (une
taille, un prix d’action, etc etc)...
En général, pas une bonne approche de définir P({a})
pour tout a ∈ E.

Bibliographie
Soit P une probabilité définie sur (E ⊂ R, A), un espace

mesuré. Alors l’ensemble D = {a ∈ E : P({a}) > 0} est
dénombrable.
Un élément a ∈ D est appelé un atome de P. Ainsi, si l’on veux
définir P via les P({a}) (comme on peux le faire pour probas
finies ou dénombrables), alors on aboutira...à une proba
discrète (définie sur D dénombrable), puisqu’on peux éliminer
les autres points...
Bibliographie
Chapitre 6: Probabilités dans le cas continu. Section

1) tribu Borélienne
L’idée est de définir plutôt P par l’intermédiaire des P(] − ∞, x]

pour tout x réel.
Si P est définie sur un espace mesuré (R, A),etre capable de
définir P(] − ∞, x] necessite que A contienne ] − ∞, x] mais
aussi les intersections ou unions dénombrables e tel ensemble,
...et en fait la tribu engendrée par de tel ensemble.
Proposition La tribu engendrée par les ensembles ] − ∞, x]

est aussi la tribu engendrée par les ouverts ]a, b[, i.e.
l’ensemble B(R) appelée tribu borélienne.
C’est pour cela qu’on considére maintenant des probabilités

définies sur (R, B(R))

Bibliographie

2) Fonction de répartition d’une probabilité.
Définition Si P est une probabilité définie sur (R, B(R)), alors

on appelle fonction de répartition de P, notée FP , la fonction de
R dans R définie par
FP : IR → IR,
F (x) = P(] − ∞, x]).
Exemple 1 Cette définition fonctionne aussi quand P

probabilité finie ou dénombrable.
Exemple 2 P sera appelée probabilité uniforme sur [a, b] si sa
fonction de répartion est F (x) = 0 si x < a, F (x) = x−a
b−a si
x ∈ [a, b] et F (x) = 1 si x ≥ b.

Bibliographie

3) Propriétés d’une fonction de répartition.
Théorème (Admis):
Une fonction F : IR → IR est une fonction de répartition d’une
certaine probabilité sur (R, B(R)) si et seulement si on a les
trois propriétés suivantes:
(i) F est croissante.
(ii) F est continue à droite.
(iii) limx→−∞ F (x) = 0 et limx→+∞ F (x) = 1.

Bibliographie

4) probabilité à densité.
Définition On appelle densité continue (ou continue par

morceaux) toute fonction f : R → R continue (ou continue par
morceaux), telle que:
i) fRest une fonction positive.
+∞
ii) −∞ f (u)du = 1.

Bibliographie

Définition Pour toute densité continue (ou continue par

morceaux) f : R → R, on peux définir une probabilité P, par
l’intérmédiaire de sa fonction de répartition, par
Z x
FP (x) = f (u)du
−∞
pour tout x ∈ R.
On appelera probabilité à densité de telles probabilités.
Interprétation graphique.

Bibliographie

Toute probabilité est-elle à densité ? NON
Proposition Si P a une densité f continue (resp. continue par

morceaux), alors sa fonction de répartition est C 1 (resp. C 1 par
morceaux). (Admis:)Même si la densité n’est pas continue, on
obtient toujours au moins une fonction de répartition continue.
Ainsi, si on se donne une probabilité dont la fonction de

répartition n’est pas continue, alors elle ne peux avoir de
densité.
Exemple Dirac!

Bibliographie

5) Variable aléatoire.
On rappelle qu’une variable aléatoire X à valeurs réelle, définie

sur l’espace probabilisé (Ω, A, P), est simplement une fonction
X : Ω → R telle que pour tout réel x, ”X ≤ x” ∈ A.
Définition
On dira que X a pour fonction de répartition FX si pour tout
x ∈ R, P(X ≤ x) = FX (x). Si FX admet une densité f , on dit
que X a pour densité f .
Définir la loi de X , c’est donner sa fonction de répartition, ou sa

densité si elle existe.

Bibliographie

5) Variable aléatoire.
Propriété
Si X a pour pour densité f , on a aussi
Z b
P(X ∈ [a, b]) = f (x)dx.
a
et peu importe que l’intervalle soit ouvert ou fermé, et on peux

avoir a = −∞ et/ou b = +∞.

Bibliographie

6) Espérance, variance.
b) Espérance, variance d’une variable à densité.
Soit une variable X : Ω → R de densité f (continue ou continue

par morceaux).
On appelle espérance E(X ) de X , quand cela existe, le réel
Z +∞
E(X ) = xf (x)dx.
−∞
Théoreme (du transfert) Si φ : R → R, et si X : Ω → R a pour

densité f , alors
Z +∞
E(φ(X )) = φ(x)f (x)dx.
−∞
La variance, covariance, ...sont définies à partir de l’espérance,

comme dans les cas discrets.
Bibliographie

7) Intégrale De Lebesgue
Motivation: on veux calculer E(X ) dans des cas où la densité

n’est pas forcément continue, et pas forcément intégrable au
sens classique.... et étendre l’intégrale de Riemann.
L’intégrale de Lebesgue se définit de la manière suivante:

Bibliographie

On aura d’abord besoin de définir la propriété suivante:
Propriété presque sure: Une propriété P(w) dont la valeur de

vérité dépend de w ∈ Ω sera dite vrai presque partout, ou vraie
presque surement, si la probabilité de
{w ∈ Ω : P(w) vraie}
est égale à 1.
Example: X (w) ≥ 0 p.s., X (w) = Y (w) p.s., X (w) = 0 p.s.

Bibliographie
Soit (Ω, A, P) un espace probabilisé.

Si pour chaque entier n ≥ 0, Propn (w) est une propriété vraie
presque surement, montrer que la propriété
Q : ”Pour tout n ≥ 0, Propn (w) est vraie" est vraie presque
surement.

Bibliographie

Soit (Ω, A, µ) une espace mesuré, µ étant sigma-finie (on

considérera les cas µ probabilité ou mesure de Lebesque dans
la suite.).
On veux définir Z
Xdµ
Ω
où X : Ω → R est une fonction A-mesurable, ce qui signifie

X −1 (] − ∞, x] ∈ A pour tout x réel.
Selon les cas, X s’interprétera comme : R
(a) une variable aléatoire (quand µ probabilité), et alors Ω Xdµ
s’interpréte comme l’espérance de X par rapport à µ.
(b) ou simplement comme une fonction (quand Ω = R et A est la
R
tribu borélienne sur R) et alors Ω Xdµ s’interpréte comme une
certaine mesure de volume ou d’air.

Bibliographie

Cas d’une indicatrice Si X = 1IA avec A ∈ A, On pose

Par définition Z
1IA dµ = µ(A).
Ω
Cas d’une fonction A-mesurable étagée positive Par
définition, une fonction A-mesurable est dite étagée
positive si elle s’écrit X = ni=1 λi 1IAi où Ai ∈ A et λi ≥ 0
P
pour Ptout i. On pose alors par définition, quand
X = ni=1 λi 1IAi ,
Z n
X
XdP = λi µ(Ai ).
Ω i=1

Bibliographie

Cas d’une fonction A-mesurable On commence par:
Proposition Soit X : Ω → [0, +∞[ une fonction
A-mesurable réelle positive. Alors il existe une suite
croissante (au sens Xn+1 (w) ≥ Xn (w)) de fonction
A-mesurable étagée positive (Xn ) qui converge
simplement vers X , i.e. limn Xn (w) = X (w) pour tout
w ∈ Ω.
Cas d’une fonction A-mesurable positive Si
X : Ω → [0, +∞[ et si Yn est donnée par la proposition
ci-dessus, alors on montre que l’on peux bien définir
Z Z
Xdµ = limn Yn dµ
Ω Ω
Mais cette limite peux
R éventuellement être infinie (on note
alors dans ce cas Ω Xdµ = +∞)
Bibliographie

Cas d’une fonction A-mesurable quelconque On

commence par:
Definition Soit X : Ω → R une fonction A-mesurable.
Alors on définit
X + = max{X , 0}
et
X − = max{−X , 0},
si bien que
X = X+ − X−
On a 0 ≤ X + ≤| X | et 0 ≤ X− ≤| X |

Bibliographie

Par définition, une fonction A-mesurable est dite intégrable

si | X | est intégrable. On a alors facilement X + et X −
intégrables, et on définit
Z Z Z
Xdµ = +
X dµ − X − dµ.
Ω Ω Ω
On notera L1 (Ω, A, µ) l’ensemble des fonction

A-mesurable X intégrables.
On notera Lp (Ω, A, µ) l’ensemble des fonction
A-mesurable X telles que X p est intégrables.
Si µ = P est une probabilité, et X ∈ Lp (Ω, A, P), p dP
R
ΩX
est le moment d’ordre p.

Bibliographie

Si X integrable et A ∈ A, on définit
Z Z
Xdµ = X 1IA dµ.
A Ω
Si X integrable, et µ1 , ..., µn sont des mesures, et a1 , ..., an
des réels, on peux integrer X par rapport à la mesure
ν = a1 µ1 + ... + an µn ainsi:
Z Z Z
Xdν = a1 Xdµ1 + ... + an Xdµn
A Ω Ω

Bibliographie

On peux maintenant intégrer par rapport à un dirac!
Si δw dirac en w ∈ Ω, on a vu que c’est une mesure (de
probabilité) et on a (exercice, utiliser la construction de
l’intégrale de Lebesgue):
Z
Xdδw = X (w)
Ω
Si P proba finie en {w1 , ..., wn } avec pi = P({wi }), on a vu
qu’on pouvait écrire
P = p1 δw1 + ... + pn δwn
.
Alors on a
Z
XdP = p1 X (w1 ) + ... + pn X (wn ) = E(X )!!
Ω
Bibliographie

Peux aussi obtenir l’intégrale classique de Riemann en prenant

µ mesure de Lebesgue et Ω = R.

Bibliographie

8) Exemples de probas à densités.
a) Loi uniforme sur [a, b].
Loi uniforme sur [a, b] On dit que X : Ω → R suit une loi

uniforme sur [a, b] si X est une variable à densité, de densité
1
f (x) = b−a sur [a, b] et 0 sinon.
La fonction de répartition est

x−a
FX (x) = 0 si x ≤ a FX (x) = b−a si x ∈]a, b[ FX (x) = 1 si x ≥ b
Espérance, variance
b+a (b−a)2
E(X ) = 2 , V (X ) = 12 .

Bibliographie

8) Exemples de probas à densités.
Exemple Un terrain est vendu au enchère. On suppose que

vous êtes deux participants. Le vendeur annonce que celui qui
annoncera le prix le plus élevé, au dessus de 10000$ obtiendra
le terrain. Vous savez que le prix qu’annoncera l’autre
participant est uniformément distribué dans [10000$, 15000$].
Vous pariez 12000$. a) Quelle est la probabilité que vous
gagniez ? b) Quelle serait votre annonce si vous voulez que la
probabilité de gagner soit de 21 .

Bibliographie
Chapitre 6: Probabilités dans le cas continu. 8)

Exemples de probas à densités.
b) Loi exponentielle de paramètre β.
Loi exponentielle de paramètre β On dit que X : Ω → R suit

une loi exponentielle de paramètre β si X est une variable à
densité, de densité
f (x) = βe−βx si x ≥ 0 et 0 sinon.
Sa fonction de répartition est
F (x) = 0 si x < 0 et F (x) = 1 − e−βx si x ≥ 0.
Espérance, variance

Bibliographie

C’est une loi souvent utilisée pour les durée de vie (si le devenir
d’un individu ne dépend pas de son age: lampe néon) c’est à
dire
P(X ≤ x0 + x | X > x0 ) = P(X ≤ x) ∀x > 0, x0 > 0.

Bibliographie

c) Loi normale de paramètre (µ, σ) avec σ > 0
Loi normale de paramètre (µ, σ) avec σ > 0 On dit que

X : Ω → R suit une Loi normale de paramètres (µ, σ) avec
σ > 0 si X est une variable à densité, de densité
(x−µ)2
−
e 2σ 2
f (x) = √ .
σ 2π

Bibliographie

Espérance, variance L’espérance et la médiane de X de

paramètres (µ, σ) sont µ. La variance σ 2 .
X −m
Proposition 1 Si X loi normale de paramètre (µ, σ) alors σ
loi normale de parametre (0, 1), dite centrée réduite.
Proposition 2 La somme de variables normales

indépendantesPde paramètres (µi ,P
σi ) est une loi normale de
moyenne m = i mi de variance i σi2 .

Bibliographie


Bibliographie

Lecture de table
La table donne F (x) := P(X ≤ x) pour X centrée réduite et x

positif. Donc, il faut d’abord centrer et réduire, puis utiliser, pour
la fonction de répartition F d’une loi normale centrée réduite, et
utiliser F (−x) = 1 − F (x) au besoin.
Bibliographie

Lecture de table
Exemple: si X suit N (11; 2), calculez P(X ≤ 14).
On centre et on réduit: P(Z ≤ 1.5) avec Z = X −11
2 .
On cherche a tel que P(Z ≤ a) = 1.5 dans la table...ce qui
donne environ a = 0.93.

Bibliographie

d) Loi log-normale On dit que X : Ω → R suit une loi

log-normale si elle prend ses valeurs dans ]0, +∞[ et si log(X )
suit une loi normale.

Bibliographie

8) Modèle log-normal de l’évolution du prix d’un actif.
S(t) le cours d’une action à la date t=variable aléatoire.

Hypothèse classique: δS, la variation du prix entre t et t + δt,
pour δt petit, est
√
δS(t) = µSδt + σS(t) δt.
où est une loi normale centrée réduite.
le coeff µ est appelé le taux de rentabilité (en continu) de
l’action

Bibliographie

Definitions: µ est le taux de rentabilité esperé par unité

de temps de l’action.
Quel est le sens du taux de rentabilité (en continu) de
l’action ?

Bibliographie

si pas de volatilité on obtient
Equation (1) :δS(t) = µS(t)δt
Quand δt "tend" vers 0, on écrira dt (variation de temps infinitessimale)
et de même quand δS(t) tend vers 0, on écrira dS(t)(variation
infinitessimale de S(t)).
On peux donc écrire
dS = µSdt
ce qu’on écrira aussi
dS
S 0 (t) = = S(t)µ
dt
ce qui est l’équivalent de l’équation (1) ci-dessus, mais quant les "delta"
tendent vers 0 (delta=petite variation, d=variation infinitessimale).
On peux résoudre cette équation en écrivant
S 0 (t)
=µ
S(t)
et en integrant entre 0 et t, on trouve S(t) = S(0)eµ.t
Bibliographie

La formule
S(t) = S(0)eµ.t
ressemble à la formule
S(n) = S(0)(1 + r )n
où r taux discret sur une période (1 année par exemple) et S(n)
valeur du placement (au taux discret r ) après n périodes
Lien entre les deux ?

Bibliographie

Coupons [0, t] en n sous-intervalles.

Soit un placement à taux discret rn sur chaque période
[ ktn , (k +1)t
n ], k = 0, ..., n − 1.
Le taux par unité de temps est µn = trn1 .
n
On a
S(t) = S(0)(1 + rn )n = S(0)enln(1+rn )
On voudrait une formule valable quand n tend vers l’infini.
Par un dévelopement limité, on trouve
S(t) = S(0)eµ.t
où µ = limn→+∞ µn
ce qui donne l’interprétation de µ.
Bibliographie

Definitions: σ est la volatilité. Il représente la marge

d’erreur par rapport à un monde sans incertitude.

Bibliographie

Exemple. Une action de cours initial 100 euros, qui ne verse

pas de dividendes a une volatilité de 30% et un taux de
rentabilité (en continu) de 15%. Donner la loi de l’augmentation
de prix sur une semaine (=0,0192 ans). Probabilité pour que
vous gagniez plus de 1 euros ?
On trouve une loi normale de moyenne 0, 288 euros et d’écart
type 4, 16 euros, pour δ.S.
Puis on trouve 1 − F (0, 17), autour de 40 pour cent.

Bibliographie
Chapitre 7: Processus en temps continu, mouvement

Brownien. Section 1. TCL
Théorème central limite Soit X1 , X2 , ...., Xn , ... suite de

variables aléatoires réelles définies sur le même espace
de probabilité, indépendantes et identiquement distribuées
suivant la même loi X , d’espérance µ et écart type σ.
Soit Sn = X1 + ... + Xn pour tout n.
Sn −nµ
Alors Zn = √
σ n
converge en loi vers N (0, 1) ce qui
signifie:
∀x ∈ R, P(Zn ≤ x) →n→+∞ P(N (0, 1) ≤ x).

Bibliographie
Planche de Galton

Bibliographie

Brownien. Section 2. Processus stochastique en
temps continu
Définition Un processus stochastique X = (Xt )t∈IR en

temps continu à valeurs dans IR sur un espace probabilisé
(Ω, A, P) est la donnée pour tout t ∈ IR de Xt , variable
aléatoire à valeurs dans IR. On appelle trajectoire du
processus toute fonction t → Xt (w), avec w ∈ Ω.
Exemple
Trajectoire d’une boule de loto pendant le tirage.
Exemple
Cours d’une action.

Bibliographie

Brownien. Section 2. Processus stochastique en
temps continu
Comment définir X = (Xt )t∈IR ?

Il faut être capable de définir pour tout instants
t1 < t2 < ... < tn la loi du n-uple (Xt1 , ...Xtn ). C’est ce qu’on
appelle la loi de X .
Donc deux processus X et Y on même loi si ...
Exemple cas où les Xt sont tous indépendents pour tout
t...par exemple Xt loi uniforme sur [0, 1].

Bibliographie

Brownien. Section 2. Filtration en temps continu
Définition On appelle filtration (Ft )t∈R une suite croissante

de tribus, c’est à dire
s ≤ t ⇒ Fs ⊂ Ft .
Parfois, on supposera que le temps part de zero (pratique

pour certains modèles), i.e. F = (Ft )t∈[0,+∞[ et
X = (Xt )t∈[0,+∞[ .

Bibliographie

Brownien. Section 2. Filtration en temps continu;
filtration engendrée
Rappel: pour t fixé, Ft = σ(Xs : s ∈ [0, t]) est la plus petite

tribu contenant tous les événements ”Xs ≤ x”, pour tout
s ∈ [0, t] et x réel. C’est aussi la plus petite tribu qui fait de
toutes les Xs des variables aléatoires dans (Ω, Fs , P), (i.e.
des fonctions Fs mesurables).
Définition:filtration engendrée on appelle filtration
canonique F notée F = σ(X ) engendrée par le processus
stochastique X = (Xt ) la filtration Ft = σ(Xs : s ∈ [0, t]).

Bibliographie

Brownien. Section 3. Processus adapté
Définition: processus adapté Soit F une filtration. Le

processus X = (Xt )t∈IR est dit F-adapté si pour tout t, Xt
est Ft mesurable.
Cela implique que pour tout s ≤ t, Xs est Ft mesurable. En
particulier, E(Xs | Ft ) = Xs pour tout s ≤ t.
Par exemple, si F = σ(X ) est la filtration canonique
associée à X , alors X est F-adapté.

Bibliographie

Brownien. Section 3. Processus adapté
Exemple en discret (3 dates!): si on a 2 variation successive

d’un actif financier X , en supposant à chaque fois qu’il peux
monter (u) ou descendre (d).
Ω = {uu, ud, du, dd}.
On suppose X0 = 0 valeur initiale. On suppose X1 peux

prendre les valeurs -1 ou 1. On suppose X2 peux prendre les
valeurs 2, 0 ou -2. Ecrire la filtration canonique F = σ(X )
engendrée par la processus stochastique X0 , X1 , X2 .

Bibliographie

Brownien. Section 4. Martingale
Soit un espace probabilisé (Ω, A, P), et X = (Xt )t≥0 un

processus stochastique en temps continu, ainsi que
F = (Ft )t≥0 une filtration.

F-martingale si:
(2) Pour tout t ≥ 0, E(| Xt |) est fini, i.e. Xt ∈ L1 .
(3) Pour tout s ≥ t ≥ 0, E(Xs | Ft ) = Xt p.s.
Montrez que cela implique que E(Xt ) est constante avec t.

Adaptation pour sous-martingale (remplacer = par ≥) et
sous-martingale (remplacer = par ≤).

Bibliographie

Brownien. Section 4. Martingale
Il est assez facile de construire une martingale en temps

discret X0 , X1 , ..., XN sur un espace (Ω, A, P) ainsi:
Considérer une marche aléatoire, i.e. une suite
indépendente de variables aléatoires Y0 , Y1 , ..., YN
indépendentes, de même lois avec E(Yk ) = 0.
Considérer la filtration canonique associée
Fn = σ{Y0 , ..., Yn }.
Considérer Xn = Y0 + Y1 + ... + Yn pour tout n = 0, ..., N
(utiliser stabilité additive de V.A.R.)
Propriété: Le processus X = (Xn )n=0,1,...,N est une
martingale par rapport à la filtration Fn .

Bibliographie

Brownien. Section 5. Brownien

Bibliographie

Soit un espace probabilisé (Ω, A, P), et X = (Xt )t≥0 un processus
stochastique en temps continu, ainsi que F = (Ft )t≥0 une filtration.
Definition: mouvement Brownien Un processus (Bt )t≥0 tel que B0 = 0 est
un mouvement Brownien sous une probabilité P si c’est un P.A.I.S.
(processus à accroissements indépendants stationnaires), à trajectoires
continues, ce qui signifie:
i) processus à accroissements indépendants: pour tout
t0 ≤ t1 ... ≤ tn , les variables aléatoires Btn − Btn−1 , Btn−1 − Btn−2 , ...,
Bt1 − Bt0 sont indépendentes (on dit que le processus est à
accroissements indépendents).
ii) processus à accroissements stationnaires: Pour tout s ≤ t, la loi
de Bt − Bs est aussi celle de Bt−s − B0 .
iii) Pour presque tout w ∈ Ω, les trajectoires t → Bt (w) sont continues.
Remarquer que supposer B0 = 0 n’est pas une condition très forte (on
fait partir le mouvement Brownien de 0). On supposera cela dans ce
cours, bien que l’on pourrait s’en passer.

Bibliographie

Remarque En particulier, si (Bt )t≥0 est un mouvement

Brownien, pour tout s ≤ t, Bt − Bs est indépendant de
σ(Bu , u ≤ s).
Pour une idée de construction: on découpe l’intervalle [0, t] en
sous-intervalles [0, n1 t], [ n1 t, n2 t], ..., [ n−1 n
n t, n t].
√
Soit Y k t v.a.r. indépendentes dont les valeurs sont + √nt avec
n √
proba 1/2 et − √nt avec proba 1/2, k = 1, ..., n.
Soit X k t = Y 1 t + ... + Y k t .
n n n
On considère alors l’interpolation linéaire (par rapport au temps)

du processus X k t k = 1, ..., n. On appelle Btn le résultat.
n
On peux montrer que cela converge (en loi) vers le mouvement

Brownien Bt .

Bibliographie

Proposition: Si B = (Bt )t≥0 est un mouvement Brownien,

alors pour tout t, Bt suit une loi normale d’espérance µ.t et
de variance σ 2 .t, avec µ = E(B1 ) et σ 2 = V (B1 ).
Idée de preuve:
a) Par définition B0 = 0.
b) On montre en posant µ = E(B1 − B0 ) et
σ2
σ 2 = V (B1 − B0 ) que E(B 1 ) = µn et V (B 1 ) = n .
n n
c) Par un théorème du type du théorème central limite, on

obtient que Bt suit une loi normale d’espérance µ.t et de
variance σ 2 .t,

Bibliographie

Proposition: Si B = (Bt )t≥0 est un mouvement Brownien,

alors pour tout t, Bt suit une loi normale d’espérance µ.t et
de variance σ 2 .t, avec µ = E(B1 ) et σ 2 = V (B1 ).
Definition: Un mouvement Brownien B = (Bt )t≥0 est dit
standard si E(B1 ) = 0 et V (B1 ) = 1.
Proposition (on peux centrer réduire un mouvement
Brownien) Si B = (Bt )t≥0 est un mouvement Brownien,
alors Bt0 = Bt −µt
σ est mouvement Brownien standard, avec
2
µ = E(B1 ) et σ = V (B1 ).

Bibliographie

Proposition: Soit B mouvement Brownien standard.

1) Cov(Bt , Bs ) = min{t, s}.
2) Pour tout s ≥ 0, (Bt+s − Bs )t≥0 est un mouvement
Brownien standard.
3) Pour tout t ≥ 0, (c.B t )t≥0 est un mouvement Brownien
c2
standard.
4) (−Bt )t≥0 est un mouvement Brownien standard.

Bibliographie

Brownien. Section 6. Integration d’u processus par
rapport au mouvement Brownien (motivation)
Motivation: si i = 1, ..., N actifs financiers de prix Stik à chaque date
0 = t0 < t1 < ..tk < ... < tn = t. Soit St = (St1 , ..., StN ) le vecteur prix à
chaque date. est
Si à chaque date tk on a une position θtik sur Stik . θt = (θt1 , ..., θtN ) le
vecteur prix à chaque date t.
Soit définie ainsi: à chaque date, on observe la variation de l’action, et
on change alors notre position. On suppose θtn = 0 (on vend tout à la
fin);
Ces positions générent un profit entre 0 et t qui s’écrit
n−1
X
Π(θ) = θti (Bti+1 − Bti ).
i=0
Si les incréments de temps δti = ti+1 − ti sont petits, on notera
Bti+1 − Bti = δBti+1 un "petit" incrément de la valeur de l’actif. Donc
n−1
X
Π(θ) =
Philippe Bich
θti δBtappliquées
Probabilités i à la finance.
Bibliographie

Brownien. Section 6. Integration d’u processus par
rapport au mouvement Brownien (motivation)
Si les incréments de temps se rapproche de 0, on s’attendrait à

se rapprocher d’une expression du type
Z t
I(θ) = θ(s)dBs
0
Par analogieP avec l’integrale de Riemann, puisque par R t exemple
une somme n−1 i=0 θ(s i ).(si+1 − s i ) se rapproche de 0 θ(s)ds
quand s0 < s1 ... < sn−1 est une subdivision de [0, t] dont le pas
maxi | ti+1 − ti | se rapproche de 0.
Mais ca n’est pas si simple, car le Brownien Bs ne se comporte
pas comme s!

Bibliographie

Brownien. Section 7. Rappelle de calcul différentiel
f : IR → IR dérivable en x si limh→0 f (x+h)−fh

(x)
existe.
Si f : IR → IR dérivable en x on peut approximer
f (x + h) − f (x) par h.f 0 (x) (quand h est petit).
Si δx petite variation de x (jouant le rôle de h) et δf petite
variation de f consécutive (jouant le rôle de
f (x + h) − f (x)), on obtient δf ∼ δx.f 0 (x).
On peux écrire l’égalité si on passe par des "infiniment
petit" d’ordre 1 (en fait plus rigoureusement des
différentielles) c’est à dire df = dx.f 0 (x)
Ici, dx est une variation de x "infiniment petite" et df est la
variation "infiniment petite" qui en découle.
Notations différentielles d pour infiniment petit, notations δ
à des variation juste "petites".
Bibliographie

La notation df = f 0 (x)dx intuitive peux être rendu "propre" en intégrant
entre x et x0 , i.e. Z x Z x
df = f 0 (x)dx
x0 x0
avec comme convention que
Z x
df = f (x) − f (x0 )
x0
Par exemple, si on écrit d(x 2 ) = 2xdx (ici f (x) = x 2 ), cela doit être
compris proprement (en intégrant) par
Z x
x 2 − (x0 )2 = 2ydy
x0
ce qui est vrai.
Ainsi, une notation avec des "différentielle" est une égalité intégrale
déguisée, mais elle est souvent plus intuitive sous la forme de
différentielle (en économie, en physique, ...)
Bibliographie

Si f , f 0 , f 00 existent et continues, par des formules du type Taylor,
on a:
2
f (x + h) ∼ f (x) + h.f 0 (x) + h2 f 00 (x) formule d’autant plus précise
que h est petite.
de manière équivalente, avec des notation en "δ":
2
δf ∼ δx.f 0 (x) + (δx) 00
2 f (x)
C’est une approximation, le terme δx.f 0 (x) étant une
2
approximation du premier ordre, et le terme (δx) 00
2 f (x) une
approximation du second ordre.
Si on veut introduire différentielles, on serait tout d’abord tenté
2
d’écrire df = dx.f 0 (x) + (dx) 00
2 f (x) mais compte tenu de
0
df = dx.f (x) qu’on a déjà vu, on doit avoir (dx)2 = 0, ce qui
correspond bien à l’intuition que (dx)2 étant un infiniment petit
du second ordre, il est nul par rapport à un infiniment petit du
premier ordre dx.
Bibliographie

Les notions précédentes se généralisent à plusieurs

variables:
∂f ∂f
si f (x, y ), df = ∂x dx + ∂y dy à l’ordre 1...etc etc...

Bibliographie

Brownien. Section 8. Rappel de la définition de
l’intégrale de Riemann
Z t
f (t)dt
0
peux être définie ainsi:
Si 0 = t0n < t1n < ... < tnn = t est une subdivision de
l’intervalle [0, t], avec maxk | tkn+1 − tkn+1 |→ 0 quand
n → +∞,
Alors
Z t n−1
X
f (t)dt = lim f (tkn ).(tkn+1 − tkn )
0 n→+∞
k =0

Bibliographie

Brownien. Section 9. Integrale stochastique
Z t
f (t)dBt
0
peux être (on passe les conditions techniques) définie
ainsi:
Si 0 = t0n < t1n < ... < tnn = t est une subdivision de
l’intervalle [0, t], avec maxk | tkn+1 − tkn+1 |→ 0 quand
n → +∞,
Alors
Z t n−1
X
f (s)dBs = lim f (tkn ).(Btkn+1 − Btkn )
0 n→+∞
k =0
La limite étant prise au sens de L2 , i.e. de la moyenne

quadratique!!!!
Bibliographie

Brownien. Section 9. Drôle de comportement du
mouvement Brownien
Rt
Si on voulait donner un sens à o
(dBt )2 on le définirait par
n−1
X
lim (Btkn+1 − Btkn )2
n→+∞
k =0
toujours avec 0 = < < ... < tnn = t est une subdivision de
t0n t1n
l’intervalle [0, t]., et la limite au sens de L2 .
Mais on peux montrer que ce calcul aboutit à un limite égale à t.
Cela donne le même résultat si on calculait
n−1
X Z t
lim (tkn+1 − tkn ) = ds
n→+∞ o
k =0
2
Donc c’est comme si (dBt ) se comportait comme dt, ce qu’on peux
intuiter en vérifiant E(δBt )2 = δt.
DONC RETENIR QUE TOUT SE PASSE COMME SI (dBt )2 = dt (on
verra que c’est un moyen mémotechnique pratique).
Bibliographie

Brownien. Section 9. Drôle de comportement du
mouvement Brownien
En fait on utilisera les moyens mnémotechniques suivant:

(dBt )2 = dt (donc (dBt )2 non négligeable devant dt).
(dt)2 = 0 (donc (dt)2 négligeable devant dt).
dt.dBt = dt.dBt = 0 (donc dt.dBt négligeable devant dt).

Bibliographie

Brownien. Section 10. Processus d’Ito
On peut définir des processus particuliers Xt , très utiles en

finance, les processus d’ito.
Le sens intuitif d’un tel processus est qu’une variation
infiniment petite dXt de Xt est la somme d’un terme
proportionnel à une variation de temps dt et un terme
proportionnel à une variation de Brownien dBt

Bibliographie
Ito
Kiyosi Ito, Tokyo, 1915-2008. Awarded Gauss prize for his work
on stochastic integral.
Bibliographie

Ici, Bt désigne le mouvement Brownien centré réduit.
Definition (Processus d’Ito) Un processus (stochastique)
d’Ito Xt vérifie (en notations différentielles)
dXt = a(Xt , t)dt + b(Xt , t)dBt (1)
pour certaines fonctions a et b de R2 dans R.

Une manière "propre" (sans notations différentielles) de le
définir est d’utiliser la notation intégrale i.e.
Z t Z t
Xt − Xt0 = a(Xs , s)ds + b(Xs , s)dBs (1)
t0 t0
où t0 est un temps initial fixé.

Bibliographie


Definition (Processus d’Ito) Un processus (stochastique)
d’Ito Xt vérifie (en notations différentielles)
dXt = a(Xt , t)dt + b(Xt , t)dBt (1)
pour certaines fonctions a et b de R2 dans R.

Definition: le coefficient a est appelé "drift" du processus
d’ito Xt et b le "coefficient de diffusion" du processus
d’ito Xt .

Bibliographie

Si a et b sont constantes, alors en integrant
dXt = a(Xt , t)dt + b(Xt , t)dBt on obtient
Xt = X0 + at + bBt
ce qui donne un premier exemple de processus d’ito.

Deuxième exemple de processus d’ito: le modèle
log-normal du cours d’une action St donne un processus
d’ito: en notations différentielles,
dSt = µ.St .dt + σ.St .dBt .
Question: comment calculer St directement ici ? plus

dur...necessite la formule d’ito!!!
Bibliographie

Soit Xt processus stochastique (par exemple le cours d’une action à

date t) qui suit un processus d’Ito:
dXt = a(Xt , t)dt + b(Xt , t)dBt .

Soit G(Xt , t) fonction de Xt et de t (par exemple, une option de
sous-jacent Xt ).
Comment calculer le drift et coefficient de diffusion de G ?
Formule (ou lemme) d’ito: On a
∂G(Xt , t) ∂G(Xt , t) 1 ∂ 2 G(Xt , t) 2

dG(Xt , t) = [ a(Xt , t) + + b (Xt , t)]dt+
∂X ∂t 2 ∂X 2
∂G(Xt , t)
+[ b(Xt , t)]dBt .
∂X
Ceci prouve aussi que G(Xt , t) est un processus d’Ito.

Bibliographie

On ne s’attardera pas, cette année, sur les conditions

d’existence, que l’on admettra dans ce cours.

Bibliographie

Attention: avec Bt le calcul usuel ne marche plus! Par
exemple:
A savoir: formule d’integration par partie:
Si Xt et Yt sont deux processus d’ito vérifiant
dXt = a(Xt , t)dt + b(Xt , t)dBt .
dYt = c(Xt , t)dt + d(Xt , t)dBt .

Alors Zt = Xt .Yt vérifie
dZt = dXt .Yt + Xt .dYt + b(Xt , t).d(Xt , t)dt

ce qui permet de calculer le drift et coefficient de diffusion
de Zt .
Bibliographie
Prouver la formule précédente! Indication: utiliser le lemme

d’ito appliqué à Xt2 , Yt2 et (Xt + Yt )2 .

Bibliographie
Soit Bt un mouvement Brownien standard. Soit Yt = tBt .

Trouver le drift et le coefficient de diffusion de Yt .

Bibliographie
Trouver le drift et le coefficient de diffusion des processus:

1) Bt2 .
2) t + eBt .
3) Bt3 − 3tBt .

Bibliographie

Brownien. Section 11. Formule explicite pour le
processus log-normal

Rappelons le modèle log-normal du cours d’une action St ,
en notations différentielles,
dSt = µ.St .dt + σ.St .dBt .
Proposition On peux écrire

σ2
St = S0 e(µ− 2
)t+σBt
.
Pour la preuve, utiliser le lemme d’ito!

Bibliographie

Brownien. Section 12. Equation de Black-Scholes
Soit une action dont le prix St vérifie le modèle log-normal:
dSt = µ.St .dt + σ.St .dBt (1)
Soit une option sur cette action, dont le prix à la date t est f (t, S), de
maturité T , de valeur V (S) à maturité.
La formule d’Ito appliquée à f donne:
∂f ∂f 1 ∂2f ∂f
df = ( µS + + ( 2 S 2 σ 2 ))dt + σSdBt (2)
∂S ∂t 2 ∂S ∂S
On se constitue à la date t un portefeuille de valeur Π en vendant une
∂f
unité de l’option f , et en achetant ∂S unité de l’action S.
on a donc
∂f
Π = −f + S (3)
∂S
on admet qu’on peux écrire en différentiant
∂f
dΠ = −df + dS (4)
∂S
Bibliographie

Brownien. Section 12. Formule de Black-Scholes
On a vu
dSt = µ.St .dt + σ.St .dBt (1)
∂f ∂f 1 ∂2f ∂f
df = ( µS + + ( 2 S 2 σ 2 ))dt + σSdBt (2)
∂S ∂t 2 ∂S ∂S
∂f
Π = −f + S (3)
∂S
et
∂f
dΠ = −df + dS (4)
∂S
Par substitution on trouve
∂f 1 ∂2f
dΠ = (− − ( 2 S 2 σ 2 ))dt (5)
∂t 2 ∂S

Bibliographie

On a trouvé
∂f 1 ∂2f
dΠ = (− − ( 2 S 2 σ 2 ))dt (5)
∂t 2 ∂S
On rappelle que si At est un placement au taux continu sans risque r ,
on a dAt = rAt dt, i.e. de rendement dA
At
t
= rdt.
Π est sur un instant très petit dt équivalent à un placement dont le
rendement pendant dt est
22 2
dΠ (− ∂f
∂t
− 12 ( ∂S
∂ f
2 S σ ))
= dt
Π Π
Par hypothèse d’absence d’arbitrage, les deux rendements doivent
être les même, i.e.
∂f 1 ∂2f
(− − ( 2 S 2 σ 2 ))dt = r Πdt (6)
∂t 2 ∂S

Bibliographie

On a trouvé
∂f 1 ∂2f
(− − ( 2 S 2 σ 2 ))dt = r Πdt (6)
∂t 2 ∂S
en remplacant Π par sa valeur
∂f
Π = −f + S (3)
∂S
on trouve finalement l’équation de Black and Scholes:
∂f (S, t) ∂f (S, t) 1 ∂ 2 f (S, t)

+ rS + S2 σ2 = rf (S, t) (1)
∂t ∂S 2 ∂S 2
f (S, T ) = V (S) (2)

Transp Cours Proba Paris17

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Transp Cours Proba Paris17

Transféré par

Droits d'auteur :

Formats disponibles

Bibliographie

Probabilités appliquées à la finance.

Philippe Bich Probabilités appliquées à la finance.

Pas de pré-requis particulier. But: arriver à définir martingales,

Philippe Bich Probabilités appliquées à la finance.

Philippe Bich Probabilités appliquées à la finance.

A propos du concept de probabilité

Philippe Bich Probabilités appliquées à la finance.

A propos du concept de probabilité

Proba physiques: Interprétation fréquentiste (Cournot) ou

Philippe Bich Probabilités appliquées à la finance.

Importance des probabilités

Prévision du réchauffement climatique: Une étude montre que

Philippe Bich Probabilités appliquées à la finance.

Importance des probabilités

Erreur judiciaire lié à une mauvaise utilisation de probabilités

Philippe Bich Probabilités appliquées à la finance.

Importance des probabilités

En finance: des modèles (en particulier Black and Scholes)

Philippe Bich Probabilités appliquées à la finance.

Pour être plus pragmatique

Entretien pour devenir quant: question quantitative, souvent

Philippe Bich Probabilités appliquées à la finance.

Exemples de Motivations en finance

1) Théorie du choix de portefeuille (CAPM)

Philippe Bich Probabilités appliquées à la finance.

Exemples de Motivations: en finance

Philippe Bich Probabilités appliquées à la finance.

Exemples de Motivations en finance

Philippe Bich Probabilités appliquées à la finance.

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes a) Ensemble

Définition naive d’un ensemble Un ensemble est une

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes c) sous ensembles,

∅ ⊂ A est toujours vrai!

0) Préliminaires ensemblistes c) sous ensembles,

Deux ensembles A et B sont disjoint si A ∩ B = ∅.

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes d) Propriétés union,

Si A, B, C sont des sous ensembles de U fixé.

Philippe Bich Probabilités appliquées à la finance.

Quantitative Questions from Wall street Job interviews

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes e) Ensemble standards

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes f)Produit cartesien

Le produit cartésien de A et B, noté A × B, est l’ensemble

De même, le produit cartésien de n ensembles, A1 , · · · An ,

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes g) Ensemble des parties

L’ensemble des parties de A est l’ensemble dont les éléments

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes h) famille d’ensemble,

0) Préliminaires ensemblistes h) famille d’ensemble,

Limite supérieure, Limite inférieure:

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes i) Application

f −1 (C) := {x ∈ A : f (x) ∈ C}.

f (D) := {f (x) : x ∈ D}.

Philippe Bich Probabilités appliquées à la finance.

0) Préliminaires ensemblistes j) Application

Composition de deux applications...