Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Finance Quantitative : Rappel Probabilities
& Processus stochastiques
Pr. B . BENYACOUB
Agdal Business School
Finance
1 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Plan
1 Loi de Poisson
2 Loi exponentielle
3 Processus aléatoires
4 Processus de Markov
2 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Généralités sur la loi de Poisson
La loi de Poisson est une loi de probabilité discrète qui s’applique
aux évènements rares.
∗ Contrôles de qualité.
∗ Probabilités de défaut de crédit.
∗ accidents
La variable aléatoire X prend des valeurs positives entières k (par
exemple des unités de temps 1,2,3,. . .).
exp−λ λ k
P(X = k) =
k!
3 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Généralités sur la loi de Poisson
La distribution de Poisson est construite avec un seul paramètre,
lambda λ , qui est à la fois la moyenne et la variance.
E[X ] = Var [X ] = λ
1
Le kurtosis de cette loi est égal à λ.
Loi est asymétrique mais devient symétrique de moins en moins
au fur et à mesure que λ augmente.
4 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
On s’intéresse aux événements qui surviennent au hasard qui se
produisent λ fois en moyenne durant un intervalle de temps donné.
La loi de Poisson indique la probabilité que l’événement se produise
seulement k fois exactement durant cette période.
Figure: Illustration du processus de poisson.
5 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Figure: Graphiques correspondant aux lois de poisson.
6 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple 1 : la loi de Poisson
2% des dossiers de crédit arrivent au service contentieux un an après
leur signature. Soit un lot de 100 dossiers. Quelle est la probabilité
qu’aucun dossier ne devienne contentieux à un an (c’est-à-dire k, ou en
l’occurrence x = 0 ) ?
On a p = 0,02, n = 100 et np = 2. Les conditions de convergence de
la loi binomiale vers la loi de Poisson sont réunies. On avait d’ailleurs
facilement deviné que λ était égal à 2 .
Première façon de calculer, avec la formule :
exp−2 λ 0
P(X = 0) = = 0.1353
0!
7 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Deuxième façon, avec la table dont voici un extrait : P(X = 0) = 0.1353
Figure: Table de loi de poisson.
8 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple 2 : la loi de Poisson
Une société constate en moyenne trois accidents du travail par an.
L’effectif total est relativement élevé, aussi considère-t-on que le nombre
d’accidents suit une loi de Poisson. Quelle est la probabilité que plus
de quatre accidents surviennent dans l’année ?
On sait que λ = 3, On peut additionner les nombres relevés sur la table
ci-dessus à partir de x = 5. On trouve 0.1847.
9 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Généralités sur la loi exponentielle
La loi exponentielle est une loi de probabilité continue utilisée
dans les problématiques de durée de vie .
∗ La durée de vie d’un composant électronique.
∗ Les opérations traitées au guichet d’une banque.
∗ Le temps écoulé entre deux accidents de voiture.
∗ Le temps écoulé entre deux coups de téléphone
Sa fonction de densité se présente ainsi, avec λ > 0.
(
0 si x < 0
F (X ) = −λ x
λ exp , si x ≥ 0.
10 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
La courbe représentative de la fonction de densité apparaı̂t ainsi, λ
étant l’ordonnée à l’origine.
Figure: Exemple distribution exponentielle.
11 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Généralités sur la loi exponentielle
La fonction de répartition de la loi exponentielle est donnée par :
(
0 si x < 0
F (X ) =
1 − exp−λ x , si x ≥ 0.
L’événement (X ≥ t) signifie que l’élément est vivant à l’instant t.
La médiane, c’est-à-dire le temps T tel que P(X > T ) = 0.5, est
m = ln(2)
λ .
12 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Figure: Fonction de répartition de la loi exponentielle.
13 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Figure: Densité d’une durée de vie d’espérance 10 de loi exponentielle ainsi
que sa médiane.
14 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Généralités sur la loi exponentielle
Pour chaque distribution exponentielle T de paramètre λ son
espérance et ses paramètres de dispersion s’établissent comme suit :
1 1
E[X ] = σ [X ] = Var [X ] =
λ λ2
1
La durée de vie moyenne λ s’appelle le temps caractéristique.
Une loi exponentielle modélise la durée de vie d’un phénomène sans
mémoire, ou sans vieillissement.
la probabilité que le phénomène dure au moins s + t heures sachant
qu’il a déjà duré t heures sera la même que la probabilité de durer
s heures à partir de sa mise en fonction initiale.
15 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Généralités sur la loi exponentielle
la durée de vie soit sans vieillissement se traduit par l’égalité
suivante :
∀T ≥ 0, PX >T (X > T + t) = P(X > t)
Par théorème de Bayes on a :
P(X > T + t ∩ X > T ) P(X > T + t)
PX >T (X > T + t) = =
P(X > T ) P(X > T )
En posant P(X > t) = 1 − F (t) la probabilité que la durée de vie
soit supérieure à t
P(X > T + t ∩ X > T )
= P(X > t)
P(X > T )
16 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple loi exponentielle
La durée de vie d’un matériel électronique suit une loi exponentielle de
1
paramètre λ = 10 (l’unité de temps est l’année). Quelle est la probabilité
qu’il fonctionne encore 5 ans après sa fabrication ?
D’abord, la formule suivante (fonction de répartition puisqu’on cherche
un cumul) permet de calculer la probabilité.
1
P(X > 5) = 1 − F (5) = 1 − [1 − exp( ∗ 5)] = exp(−0.5) = 0.6065.
10
17 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
observons la représentation graphique de la fonction de répartition. Sur la
courbe représentant la fonction d’équation y = 1 − exp(−0.1x), on voit
que si x = 5, la probabilité que le matériel ne fonctionne pas est denviron
0,4. On remarque d’ailleurs très bien que cinq ans plus tard, on a
toujours cette proportion d’environ 40% , cette fois entre l’horizontale
violette et le plafond .
Figure: Représentation graphique de la loi exponentielle.
18 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Processus aléatoires
La théorie des processus aléatoires concerne l’étude mathématique
de phénomènes physiques, biologiques ou économiques évoluant
dans le temps, et dont l’évolution est de caractère aléatoire.
Un espace des temps T . Les deux espaces des temps les plus
utilisés sont :
∗ T = N le processus est dit discret ; on regarde ce qu’il se passe à
chaque unité de temps.
∗ T = R+ le processus est dit continu, on garde les yeux fixés sur un
système qui évolue dans le temps à partir d’un instant t0 que l’on
prend pour origine des temps (t = 0).
Un espace des états E : L’ensemble E peut être :
∗ discret : c-à-d fini ou dénombrable. Il sera, dans ce cas, souvent
pratique d’identifier E avec une partie de N.
∗ non discret : par exemple E = R
19 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Processus aléatoires
Notons une famille de variables aléatoires par (Xt )t ∈T
Ces variables aléatoires sont toutes définies sur un même espace
probabilisé (Ω, F, P) et à valeurs dans l’espace des états E.
À chaque instant t ∈ T , on associe, une valeur aléatoire décrite par
une variable aléatoire Xt à valeurs dans E.
Le processus aléatoire est la famille de variables aléatoires (Xt )t ∈T
En particulier, elle ne donne aucune information sur le passage de t
à t + ∆t et donc, sur l’évolution du processus.
le rôle de l’étude des processus aléatoires, revient à déterminer les
probabilités de transition.
20 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Processus de Markov
Le processus de Markov fournit un outil simple de modélisation
d’une classe particulière de systèmes à espace d’états discret.
L’analyse des processus de Markov est un préliminaire nécessaire à
l’étude des systèmes de files d’attente.
Le processus (Xt ) est dit de Markov, si
∗ axiome de Markov : pour tous t1 < t2 < . . . < tn < tn+1 , pour tous
x1 , x2 , . . . , xn , xn+1 :
P(Xtn+1 = xn+1 /Xtn = xn , . . . , Xt1 = x1 ) = P(Xtn+1 = xn+1 /Xtn = xn )
∗ axiome d’homogénéité : pour tous s et t , pour tous x , y ∈ E,
P(Xt+s = y /Xs = x) ne dépend que de t (et non des instants s et
t + s ). c-à-d : P(Xt+1 = y /Xt = x) = P(X2 = y /X1 = x)
L’axiome de Markov traduit que la probabilité de n’importe quel
comportement futur, le présent étant connu, n’est pas modifié par
toute connaissance supplémentaire du passé.
21 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Processus de Markov
On pose px ,y (t) = P(Xt+s = y /Xs = x) = P(Xt = y /X0 = x) et
P(t) = (px ,y (t))x ,y ∈E
On pose aussi : π(t) vecteur ligne de composantes
πx (t) = P(Xt = x)
Propriétés :
∗ P(t) est une matrice stochastique, i.e px ,y (t) ≥ 0 et ∑y px ,y (t) = 1
pour tous x .
∗ Pour tout s et pour tout t , P(s+t)=P(t)P(s) .
∗ Pour tout s et pour tout t , π(s + t) = π(t)P(t)
22 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Processus de Markov à temps discret
On ne s’intéresse à l’état du système qu’en des instants particuliers
tn de leur évolution.
on s’intéresse à l’état du système à intervalles de temps réguliers
comme par exemple tous les jours ou toutes les heures.
L’état du système à l’étape n du processus est alors l’état du
système au n-ième jour où à la n-ième heure.
23 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Matrice de transition et graphe d’une chaı̂ne de Markov
On notera P la matrice P(1) définie précédemment comme suit
(et pi ,j = pi ,j (1)).
P est la matrice des probabilités de transition d’un état vers un
autre. La probabilité de transition d’un état i vers un état j tel
que :
pij = P(Xt+1 = j|Xt = i) 1 ≤ i, j ≤ N.
la somme des probabilités des transitions a chaque instant t,
parcourant tous les états, vaut 1, tel que : ∑N
j=1 aij = 1.
π = (π)i=1:N est la loi de probabilité de l’état initial
π(i) = P(X0 = i), i = 1, 2, . . . , N. π étant une loi de probabilité, tel
que on a :
N
∑ π(i) = 1.
i=1
24 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Matrice de transition et graphe d’une chaı̂ne de Markov
La matrice de transition P caractérise la chaı̂ne et se prête bien
aux calculs des probabilités.
Pour mieux visualiser les transitions entre états, il est souvent utile
de faire un graphe de la chaı̂ne, équivalent à la donnée de P où :
∗ les états sont représentés par des points où des cercles ;
∗ une probabilité de transition pij > 0 est représentée par un arc
orienté de i à j au dessus duquel est notée la valeur de pij .
25 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple d’une chaı̂ne de Markov
L’ensemble constitué des probabilités initiales et des probabilités
de transition forme un modèle de chaine markov.
Les chaines de markov sont apliquées dans plusieures domaines, le
nombre des états la matrices P et le vecteur π qui définissent un
tel modèle sont estimés par le modélateur suivant le problème posé.
Les données historiques collectées pour un problème donné permet
de déterminer l’ensemble des états et d’estimer P et π.
26 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple d’une chaı̂ne de Markov
Considérons le modèle suivant, tel les probabilités de transition sont
données par :
p11 = 0.3 p12 = 0.2 p13 = 0.5
p21 = 0.6 p22 = 0.1 p23 = 0.3 et
p31 = 0.2 p32 = 0.4 p33 = 0.4
Déteminer la matrice de Transition P ?
Vérifier que c’est une matrice stochastique ?
Déteminer le graphe correspond à la matrice de Transition P ?
27 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Figure: Repréesentation graphique de la chı̂ne de Markov.
28 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple d’une chaı̂ne de Markov
Le graphe suivant représente la dynamique d’un marché boursier, l’espace
des états designe les possibles changement hebdomadaire subit par le
marché, tel que :
E={ Diminution du prix de l’action (D), Non changement dans le prix de
l’action (U), Augmentation du prix de l’action (I) }
E={ Decrease in share price (D), Unchanged in share price (U) , Increase
in share price (I) }.
29 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple d’une chaı̂ne de Markov
Figure: Repréesentation graphique de la chı̂ne de Markov.
30 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple d’une chaı̂ne de Markov
a- Déterminer la matrice de transition correspond au graphe
ci-dessous.
b- D’après le modèle, nous sommes en mesure de répondre à des
questions intéressantes sur la façon dont ce stock se comporte au fil du
temps.
Par exemple : Quelle est la probabilité de voir la séquence suivante
aubout de six jours : Decrease,Increase, Unchanged, Increase, Increase,
Unchanged, Decrease :( DIUIIUD ). la première état est considéré comme
état initiale ( D : Decrease ).
31 / 32
Loi de Poisson
Loi exponentielle
Processus aléatoires
Processus de Markov
Exemple d’une chaı̂ne de Markov
La matrice P de transition d’un processus stochastique modélisé par une
chaine de Markov définie par une suite de variables aléatoires (Xn )n≥1 à
valeurs dans l’espace des états S = 1, 2, 3, 4, 5, 6 est donnée par :
Déterminer le graphe correspondant à cette chaine de Markov ?
Vérifier que la matrice P est une matrice stochastique ?
Calculer P(X3 = 2/X1 = 2)
32 / 32