En mathématique, plus précisément théorie des probabilités, un pont brownien standard est un processus stochastique à temps continu de même loi qu'un processus de Wiener mais conditionné à s'annuler en 0 et en 1. À ne pas confondre avec l'excursion brownienne.
Le pont brownien standard est ainsi également appelé « mouvement brownien attaché » ("tied down Brownian motion" en anglais), « mouvement brownien attaché en 0 et 1 » ("Brownian motion tied down at 0 and 1" en anglais) ou « mouvement brownien épinglé » ("pinned Brownian motion" en anglais).
Le pont brownien (non standard) est une généralisation du pont brownien standard en utilisant le conditionnement par l’événement .
Un pont brownien standard est un processus stochastique à temps continu dont la loi est celle d'un processus de Wiener (modèle mathématique du mouvement brownien) sachant l’événement . Il s'agit d'un processus aléatoire gaussien, c'est-à-dire que la loi de probabilité de tout vecteur , conditionnellement à , est gaussienne. Il est alors caractérisé par sa moyenne et sa covariance :
Remarque : l'événement est de probabilité nulle. Considérons alors l’événement de probabilité non nulle. On peut ainsi considérer la loi conditionnelle du mouvement brownien sachant . La convergence en loi suivante (propriété 12.3.2. du livre de R. Dudley):
permet de donner un sens rigoureux à la définition du pont brownien.
Propriété 1
Si est un processus de Wiener (ou mouvement brownien), alors le processus défini par est un pont brownien standard.
Réciproque
Si est un pont brownien standard et Z une variable aléatoire normale, alors les processus et définis par :
sont des processus de Wiener.
Propriété 2
Si est un processus de Wiener, alors le processus défini par est un pont brownien standard.
Réciproque
Si est un pont brownien standard, alors le processus défini par est un processus de Wiener.
Le pont brownien et l'excursion brownienne sont deux objets mathématiques différents mais l'un peut se construire à partir de l'autre.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
The student who follows this course will get acquainted with computational tools used to analyze systems with uncertainty arising in engineering, physics, chemistry, and economics. Focus will be on s
This course gives an introduction to probability theory and stochastic calculus in discrete and continuous time. We study fundamental notions and techniques necessary for applications in finance such
We explore statistical physics in both classical and open quantum systems. Additionally, we will cover probabilistic data analysis that is extremely useful in many applications.
We explore statistical physics in both classical and open quantum systems. Additionally, we will cover probabilistic data analysis that is extremely useful in many applications.
En théorie des probabilités, le théorème de Donsker établit la convergence en loi d'une marche aléatoire vers un processus stochastique gaussien. Il est parfois appelé le théorème central limite fonctionnel. Ce théorème est une référence pour la convergence en loi de marches aléatoires renormalisées vers un processus à temps continus. De nombreux théorèmes sont alors dits de « type Donsker ». Soient une suite iid de variables aléatoires centrées, de carré intégrable et de variance .
En statistiques, une fonction de répartition empirique est une fonction de répartition qui attribue la probabilité 1/n à chacun des n nombres dans un échantillon. Soit X,...,X un échantillon de variables iid définies sur un espace de probabilité , à valeurs dans , avec pour fonction de répartition F. La fonction de répartition empirique de l'échantillon est définie par : où est la fonction indicatrice de l'événement A. Pour chaque ω, l'application est une fonction en escalier, fonction de répartition de la loi de probabilité uniforme sur l'ensemble .
En théorie des probabilités et en statistiques, un processus gaussien est un processus stochastique (une collection de variables aléatoires avec un index temporel ou spatial) de telle sorte que chaque collection finie de ces variables aléatoires suit une loi normale multidimensionnelle ; c'est-à-dire que chaque combinaison linéaire est normalement distribuée. La distribution d'un processus gaussien est la loi jointe de toutes ces variables aléatoires. Ses réalisations sont donc des fonctions avec un domaine continu.
Explore la génération de vecteurs aléatoires gaussiens avec des composantes spécifiques basées sur des valeurs observées et explique le concept de fonctions de covariance définies positives dans les processus gaussiens.
We consider the problem of nonparametric estimation of the drift and diffusion coefficients of a Stochastic Differential Equation (SDE), based on n independent replicates {Xi(t) : t is an element of [0 , 1]}13 d B(t), where alpha is an element of {0 , 1} a ...
Amsterdam2023
This article derives a closed-form pricing formula for European exchange options under a non-Gaussianframework for the underlying assets, intending to resolve mispricing associated with a geometric Brownianmotion. The dynamics of each of the two correlated ...
This work is about time series of functional data (functional time series), and consists of three main parts. In the first part (Chapter 2), we develop a doubly spectral decomposition for functional time series that generalizes the Karhunen–Loève expansion ...