Not That Abstract
Français English

Calculer avec le hasard

Les énoncés exacts et les preuves de ce que le film a montré.

Combien de tirages faut-il pour avoir raison, et comment le prouver ?

En 1946, le mathématicien Stanislaw Ulam se demande quelle chance a une réussite de bien se terminer. Le calcul exact est hors de portée ; jouer cent parties et compter ne l’est pas. Ce chapitre transforme cette idée de convalescent en méthode de calcul, et surtout en méthode vérifiable : on saura dire combien de tirages il faut, et avec quelle garantie.

Le chapitre suit le film de la séance 1, « Calculer avec le hasard » : le problème d’Ulam (Section 1.1), la loi des grands nombres (Section 1.2), le calcul d’une aire (Section 1.3), l’estimateur de Monte-Carlo et ses deux cas d’école, l’option d’achat et la ruine d’un assureur (Section 1.4), le théorème central limite et l’intervalle de confiance (Section 1.5), la dimension et les événements rares (Section 1.6).

1.1 Le problème d’Ulam#

Convalescent après une encéphalite, à Los Angeles, Ulam joue à la réussite Canfield, qui se joue seul avec 52 cartes. Il essaie de calculer la probabilité qu’une donne aboutisse ; mais le nombre d’ordres possibles du paquet est 52!≈52! \approx 8,07×1067\times 10^{67}, et aucune énumération n’est envisageable. Il imagine alors d’étaler « disons cent fois » le jeu et de compter les succès (Eckhardt 1987). Avec John von Neumann, il comprend aussitôt que la même idée vaut pour la diffusion des neutrons à Los Alamos : un problème aux dimensions innombrables, où l’on peut remplacer une équation par une suite d’opérations aléatoires. Le nom de code, « Monte-Carlo », est proposé par Nicholas Metropolis en souvenir d’un oncle d’Ulam qui empruntait à ses proches pour aller jouer au casino (Metropolis 1987) ; le premier article sur la méthode paraît en 1949 (Metropolis et Ulam 1949).

La question à garder en tête : combien de parties Ulam devait-il jouer pour connaître sa chance à 1 % près ? Elle reçoit sa réponse à la Section 1.5.

1.2 Une probabilité est une proportion#

1.2.1 Le cadre#

On travaille sur un espace probabilisé (Ω,F,P)(\Omega, \mathcal F, \mathbb{P}). Une variable aléatoire réelle XX est une fonction mesurable de Ω\Omega dans R\mathbb{R} ; sa loi est la mesure image PX(B)=P(X∈B)\mathbb{P}_X(B) = \mathbb{P}(X \in B).

Définition 1.1Échantillon#

Des variables X1,X2,…X_1, X_2, \dots forment un échantillon (ou suite i.i.d.) de loi μ\mu si elles sont indépendantes et ont toutes la loi μ\mu. Simuler XX, c’est produire sur ordinateur des réalisations d’un tel échantillon.

Une probabilité est une espérance : pour tout événement AA, P(A)=E[1A]\mathbb{P}(A) = \mathbb{E}[\mathbf{1}_A], et Var⁡(1A)=p(1−p)≤1/4\operatorname{Var}(\mathbf{1}_A) = p(1-p) \le 1/4 si p=P(A)p = \mathbb{P}(A). Estimer une probabilité, c’est donc estimer la moyenne d’une variable qui vaut 1 ou 0 : la proportion p^N=k/N\htmlClass{c-simu}{\hat p_N} = k/N de succès parmi NN essais.

1.2.2 Dix lancers : l’exact devient rare#

Sur dix lancers d’une pièce équilibrée, le nombre de faces S10S_{10} suit la loi binomiale P(S10=k)=(10k)2−10\mathbb{P}(S_{10} = k) = \binom{10}{k} 2^{-10}. Il y a (105)=252\binom{10}{5} = 252 suites sur 1 024 qui donnent exactement cinq faces : 24,6 % seulement. Six faces et quatre piles, ou l’inverse, arrive 41 % du temps. La vidéo commence sur six faces et quatre piles : rien d’anormal.

Nombre de faces sur dix lancers : 10 000 séries simulées (bleu) et loi binomiale exacte (orange).
Figure 1.1 Nombre de faces sur dix lancers : 10 000 séries simulées (bleu) et loi binomiale exacte (orange).

La simulation de 10 000 séries donne 2 470 séries à cinq faces, soit 24,70 % ; les barres bleues se posent sur les marques orange. Plus NN grandit, plus « exactement la moitié » devient improbable, mais plus « à peu près la moitié » devient certain : c’est ce que dit la loi des grands nombres.

1.2.3 La loi des grands nombres#

Proposition 1.1Inégalité de Bienaymé-Tchebychev#

Si E[Y2]<∞\mathbb{E}[Y^2] < \infty, alors pour tout ε>0\varepsilon > 0, P(∣Y−E[Y]∣≥ε)≤Var⁡(Y)/ε2\mathbb{P}(|Y - \mathbb{E}[Y]| \ge \varepsilon) \le \operatorname{Var}(Y)/\varepsilon^2.

Démonstration

L’inégalité 1{∣Y−EY∣≥ε}≤(Y−EY)2/ε2\mathbf{1}_{\{|Y - \mathbb{E}Y| \ge \varepsilon\}} \le (Y - \mathbb{E}Y)^2/\varepsilon^2 est vraie point par point ; on prend l’espérance.

Théorème 1.1Loi faible des grands nombres#

Soit X1,X2,…X_1, X_2, \dots un échantillon avec E[X12]<∞\mathbb{E}[X_1^2] < \infty, μ=E[X1]\mu = \mathbb{E}[X_1] et σ2=Var⁡(X1)\sigma^2 = \operatorname{Var}(X_1). Alors la moyenne empirique XˉN=1N∑i=1NXi\bar X_N = \frac1N \sum_{i=1}^N X_i vérifie, pour tout ε>0\varepsilon > 0, P(∣XˉN−μ∣≥ε)≤σ2Nε2→N→∞0. \mathbb{P}\big(|\bar X_N - \mu| \ge \varepsilon\big) \le \frac{\sigma^2}{N \varepsilon^2} \xrightarrow[N\to\infty]{} 0 .

Démonstration

Par linéarité, E[XˉN]=μ\mathbb{E}[\bar X_N] = \mu ; par indépendance, les variances s’ajoutent : Var⁡(XˉN)=N−2∑iVar⁡(Xi)=σ2/N\operatorname{Var}(\bar X_N) = N^{-2} \sum_{i} \operatorname{Var}(X_i) = \sigma^2/N. On applique la Proposition 1.1 à Y=XˉNY = \bar X_N.

La loi faible dit que l’erreur est rarement grande ; la loi forte dit que la suite des estimations, celle que l’on voit se stabiliser sur un écran, converge.

Théorème 1.2Loi forte des grands nombres, Kolmogorov#

Si X1,X2,…X_1, X_2, \dots est un échantillon avec E∣X1∣<∞\mathbb{E}|X_1| < \infty, alors XˉN→E[X1]\bar X_N \to \mathbb{E}[X_1] presque sûrement.

Démonstration

On démontre l’énoncé sous l’hypothèse plus forte E[X14]<∞\mathbb{E}[X_1^4] < \infty, qui suffit pour tout ce cours ; le cas général E∣X1∣<∞\mathbb{E}|X_1| < \infty demande une troncature (Etemadi 1981; Durrett 2019). Quitte à remplacer XiX_i par Xi−μX_i - \mu, on suppose μ=0\mu = 0. Notons SN=∑i≤NXiS_N = \sum_{i \le N} X_i. En développant SN4S_N^4, les termes qui contiennent un XiX_i à la puissance 1 sont d’espérance nulle par indépendance ; il reste E[SN4]=N E[X14]+3N(N−1) σ4≤CN2. \mathbb{E}[S_N^4] = N\,\mathbb{E}[X_1^4] + 3N(N-1)\,\sigma^4 \le C N^2 . L’inégalité de Markov donne P(∣SN/N∣>ε)≤E[SN4]/(N4ε4)≤C/(ε4N2)\mathbb{P}(|S_N/N| > \varepsilon) \le \mathbb{E}[S_N^4]/(N^4\varepsilon^4) \le C/(\varepsilon^4 N^2), terme général d’une série convergente. Par le lemme de Borel-Cantelli, presque sûrement ∣SN/N∣≤ε|S_N/N| \le \varepsilon à partir d’un certain rang. On conclut en prenant ε=1/j\varepsilon = 1/j, j∈N∗j \in \mathbb N^* (intersection dénombrable d’événements presque sûrs).

Appliquée à Xi=1AiX_i = \mathbf{1}_{A_i}, la loi forte dit que la proportion p^N=k/N\htmlClass{c-simu}{\hat p_N} = k/N converge vers p\htmlClass{c-exact}{p} : une probabilité est une proportion, à la limite. Dans la vidéo, la proportion de faces vaut 50,28 % après 10 000 lancers et 50,005 % après un million.

Un million de lancers (données de la vidéo). À gauche, la proportion de faces se stabilise sur 1/2 (orange). À droite, l’écart faces - piles erre et grandit comme  n (bande grise  n) : le hasard ne compense pas, il se dilue.
Figure 1.2 Un million de lancers (données de la vidéo). À gauche, la proportion de faces se stabilise sur 1/2 (orange). À droite, l’écart faces −- piles erre et grandit comme n\sqrt n (bande grise ±n\pm\sqrt n) : le hasard ne compense pas, il se dilue.
Démonstration

Le hasard ne compense pas. L’écart entre le nombre de faces et le nombre de piles, Dn=2Sn−nD_n = 2S_n - n, est centré de variance nn : il ne tend pas vers 0, il grandit typiquement comme n\sqrt n (dans la vidéo, il vaut +94 après un million de lancers). Par le théorème central limite (Section 1.5), P(∣Dn∣>cn)→2(1−Φ(c))>0\mathbb{P}(|D_n| > c\sqrt n) \to 2(1 - \Phi(c)) > 0. Mais Dn/n→0D_n/n \to 0 : divisé par nn, l’écart s’écrase et la proportion converge. L’« erreur du joueur », qui croit qu’après une série de piles la face est « due », confond ces deux échelles : la pièce n’a pas de mémoire, les écarts ne sont pas corrigés, ils sont dilués (Tversky et Kahneman 1974).

1.2.4 Simuler sur ordinateur#

Un ordinateur ne lance pas de pièce : il calcule une suite de nombres u1,u2,⋯∈[0,1)u_1, u_2, \dots \in [0, 1) par une récurrence déterministe, dont les propriétés statistiques imitent celles d’un échantillon uniforme. NumPy utilise l’algorithme PCG64 (O’Neill 2014) : np.random.default_rng(graine) crée un générateur, et la même graine redonne la même suite. Le code de la vidéo, exécuté ici :

rng = np.random.default_rng(2)
faces = rng.random(1_000_000) < 0.5
print(faces.mean())
0.500047

Tout le reste se construit à partir de l’uniforme. L’outil de base est l’inversion de la fonction de répartition.

Théorème 1.3Méthode d’inversion#

Soit FF une fonction de répartition et F−1(u)=inf⁡{x∈R:F(x)≥u}F^{-1}(u) = \inf\{x \in \mathbb{R}: F(x) \ge u\} son inverse généralisée. Si UU suit la loi uniforme sur ]0,1[]0, 1[, alors F−1(U)F^{-1}(U) a pour fonction de répartition FF.

Démonstration

FF est croissante et continue à droite, donc l’ensemble {x:F(x)≥u}\{x : F(x) \ge u\} est un intervalle fermé [F−1(u),+∞[[F^{-1}(u), +\infty[. Ainsi F−1(u)≤x  ⟺  u≤F(x)F^{-1}(u) \le x \iff u \le F(x), et P(F−1(U)≤x)=P(U≤F(x))=F(x)\mathbb{P}(F^{-1}(U) \le x) = \mathbb{P}(U \le F(x)) = F(x).

Exemple 1.1Montants de sinistres exponentiels#

Pour la loi exponentielle de moyenne mm, F(x)=1−e−x/mF(x) = 1 - e^{-x/m} et F−1(u)=−mln⁡(1−u)F^{-1}(u) = -m\ln(1-u). Ce sont ces tirages que l’on utilisera au chapitre suivant pour le « jumeau » de l’assureur : deux lois différentes obtenues à partir des mêmes uniformes. Pour la loi normale, NumPy utilise un algorithme plus rapide que l’inversion (rng.standard_normal).

1.3 Une aire se compte#

Soit U=(U1,U2)U = (U_1, U_2) uniforme sur le carré [0,1]2[0,1]^2. Pour toute partie mesurable AA du carré, P(U∈A)=aire⁡(A)\mathbb{P}(U \in A) = \operatorname{aire}(A). Avec le quart de disque A={x2+y2≤1}A = \{x^2 + y^2 \le 1\}, d’aire π/4\pi/4 : π4=P(U12+U22≤1)=E[1{U12+U22≤1}],π^n=4kn →n→∞p.s. π, \htmlClass{c-exact}{\frac{\pi}{4}} = \mathbb{P}(U_1^2 + U_2^2 \le 1) = \mathbb{E}\big[\mathbf{1}_{\{U_1^2 + U_2^2 \le 1\}}\big], \qquad \htmlClass{c-simu}{\hat\pi_n} = \frac{4k}{n}\ \xrightarrow[n\to\infty]{\text{p.s.}}\ \htmlClass{c-exact}{\pi}, où kk est le nombre de points, parmi nn, qui tombent dans le quart de disque. C’est la loi forte des grands nombres appliquée à une indicatrice : une aire se compte.

Les 3 200 fléchettes de la vidéo (à gauche) : en bleu celles du quart de disque. À droite, l’estimation 4k/n en fonction du nombre de points (échelle logarithmique) serre la valeur exacte π (orange), de plus en plus lentement.
Figure 1.3 Les 3 200 fléchettes de la vidéo (à gauche) : en bleu celles du quart de disque. À droite, l’estimation 4k/n en fonction du nombre de points (échelle logarithmique) serre la valeur exacte π\pi (orange), de plus en plus lentement.

Sur les 3 200 fléchettes de la vidéo, 1 582 tombent sous la diagonale (49,4 %, pour une aire de ½) et 2 505 dans le quart de disque : π^=\htmlClass{c-simu}{\hat\pi} = 3,131. Avec 10410^4, 10610^6 et 10810^8 points, l’estimation vaut 3,1256, 3,1405 et 3,1415 : chaque décimale coûte environ cent fois plus de points que la précédente. La Section 1.5 explique pourquoi.

Plus généralement, toute intégrale sur le cube unité est une espérance : ∫[0,1]dg(x) dx=E[g(U)]\int_{[0,1]^d} g(x)\,dx = \mathbb{E}[g(U)] avec UU uniforme sur [0,1]d[0,1]^d. C’est le point de départ de l’intégration numérique par Monte-Carlo.

Exemple 1.2L’aiguille de Buffon#

Buffon pose en 1733, et publie en 1777, le problème suivant (Buffon 1777) : une aiguille de longueur ℓ\ell tombe au hasard sur un parquet dont les rainures sont espacées de ℓ\ell ; quelle est la probabilité qu’elle coupe une rainure ? Notons XX la distance du centre à la rainure la plus proche, uniforme sur [0,ℓ/2][0, \ell/2], et Θ\Theta l’angle avec les rainures, uniforme sur [0,π/2][0, \pi/2], indépendants. L’aiguille coupe une rainure si et seulement si X≤ℓ2sin⁡ΘX \le \frac{\ell}{2}\sin\Theta, d’où P(croisement)=∫0π/2ℓsin⁡θ/2ℓ/2 dθπ/2=2π. \mathbb{P}(\text{croisement}) = \int_0^{\pi/2} \frac{\ell \sin\theta / 2}{\ell / 2}\,\frac{d\theta}{\pi/2} = \frac{2}{\pi}. Laplace retourne la question en 1812 (Laplace 1812) : lancez nn aiguilles, comptez les kk croisements, et 2n/k2n/k estime π\pi. (Une expérience célèbre de 1901 annonçait six décimales justes avec 3 408 aiguilles : un résultat presque certainement obtenu en s’arrêtant au bon moment, ce qui est exactement ce qu’un intervalle de confiance interdit.)

1.4 Une espérance est une moyenne#

1.4.1 L’estimateur de Monte-Carlo#

Définition 1.2Estimateur de Monte-Carlo#

Soit XX une variable aléatoire à valeurs dans Rd\mathbb{R}^d, f:Rd→Rf : \mathbb{R}^d \to \mathbb{R} mesurable avec E∣f(X)∣<∞\mathbb{E}|f(X)| < \infty, et I=E[f(X)]I = \mathbb{E}[f(X)]. Pour un échantillon X1,…,XNX_1, \dots, X_N de même loi que XX, l’estimateur de Monte-Carlo est I^N=1N∑i=1Nf(Xi)  ≈  E[f(X)]. \htmlClass{c-simu}{\hat I_N} = \frac1N \sum_{i=1}^{N} f(\htmlClass{c-simu}{X_i}) \;\approx\; \htmlClass{c-exact}{\mathbb{E}[f(X)]} .

C’est la formule de la vidéo, lue symbole par symbole : XX le hasard (le dé, la pièce, le prix d’une action demain), ff ce qu’on regarde dans ce hasard (un nombre affiché, un gain, une perte), E\mathbb{E} la moyenne à long terme qu’on cherche, X1,…,XNX_1, \dots, X_N les NN tirages de l’ordinateur ; on additionne et on divise par NN. La moyenne cherchée est à peu près la moyenne de ce qu’on observe en simulant.

Proposition 1.2Propriétés de l’estimateur#
  1. I^N\hat I_N est sans biais : E[I^N]=I\mathbb{E}[\hat I_N] = I ; il est fortement consistant : I^N→I\hat I_N \to I p.s. (Théorème 1.2).
  2. Si de plus E[f(X)2]<∞\mathbb{E}[f(X)^2] < \infty et σ2=Var⁡(f(X))\sigma^2 = \operatorname{Var}(f(X)), alors Var⁡(I^N)=σ2/N\operatorname{Var}(\hat I_N) = \sigma^2/N : l’erreur typique (écart-type de l’estimateur) vaut σ/N\sigma/\sqrt N.
Démonstration

Linéarité de l’espérance, loi forte appliquée aux f(Xi)f(X_i), qui sont i.i.d. et intégrables, et additivité de la variance pour des variables indépendantes.

Pour un dé équilibré, E[X]=(1+⋯+6)/6=3,5\mathbb{E}[X] = (1 + \dots + 6)/6 = 3{,}5, une valeur qu’aucun lancer ne donne ; la moyenne de 10 000 lancers simulés vaut 3,5088.

def monte_carlo(Y):
    """Estimation et demi-largeur de l'intervalle de confiance asymptotique à 95 % à partir des tirages Y = f(X_i)."""
    Y = np.asarray(Y, dtype=float)
    return Y.mean(), 1.96 * Y.std(ddof=1) / np.sqrt(len(Y))

1.4.2 Cas de finance : l’option d’achat#

Une option d’achat européenne (un call) de prix d’exercice KK et d’échéance TT donne le droit, sans obligation, d’acheter l’action à la date TT au prix KK. Son gain à l’échéance est (ST−K)+=max⁡(ST−K,0)(S_T - K)^+ = \max(S_T - K, 0). La théorie de l’évaluation par arbitrage (cours de calcul stochastique) établit que son prix aujourd’hui est l’espérance du gain actualisé sous la probabilité risque neutre Q\mathbb Q : C=e−rT EQ[(ST−K)+]. \htmlClass{c-exact}{C} = e^{-rT}\, \mathbb{E}_{\mathbb Q}\big[(S_T - K)^+\big] . Dans le modèle de Black et Scholes (Black et Scholes 1973; Merton 1973), le prix suit un mouvement brownien géométrique et, sous Q\mathbb Q, ST=S0exp⁡ ⁣((r−σ2/2)T+σT Z)S_T = S_0 \exp\!\big((r - \sigma^2/2)T + \sigma\sqrt T\, Z\big) avec Z∼N(0,1)Z \sim \mathcal{N}(0, 1), où rr est le taux sans risque et σ\sigma la volatilité (l’écart-type annuel des rendements). Le prix est une espérance : on peut le simuler (Boyle 1977). Pour ce cas simple, on connaît aussi la valeur exacte, qui servira de juge.

Lemme 1.1Option d’achat sur une loi lognormale#

Si W∼N(m,v2)W \sim \mathcal{N}(m, v^2) avec v>0v > 0 et K>0K > 0, alors E[(eW−K)+]=em+v2/2 Φ(d1)−K Φ(d1−v),d1=m−ln⁡K+v2v. \mathbb{E}\big[(e^{W} - K)^+\big] = e^{m + v^2/2}\,\Phi(d_1) - K\,\Phi(d_1 - v), \qquad d_1 = \frac{m - \ln K + v^2}{v}.

Démonstration

(eW−K)+=eW1{W>ln⁡K}−K1{W>ln⁡K}(e^W - K)^+ = e^W \mathbf{1}_{\{W > \ln K\}} - K \mathbf{1}_{\{W > \ln K\}}. D’une part KP(W>ln⁡K)=KΦ((m−ln⁡K)/v)=KΦ(d1−v)K\mathbb{P}(W > \ln K) = K\Phi\big((m - \ln K)/v\big) = K\Phi(d_1 - v). D’autre part, en notant φm,v\varphi_{m,v} la densité de N(m,v2)\mathcal{N}(m, v^2), on vérifie en complétant le carré que ewφm,v(w)=em+v2/2 φm+v2,v(w)e^{w}\varphi_{m,v}(w) = e^{m + v^2/2}\,\varphi_{m+v^2, v}(w) ; donc E[eW1{W>ln⁡K}]=em+v2/2 P(W′>ln⁡K)\mathbb{E}[e^W \mathbf{1}_{\{W > \ln K\}}] = e^{m + v^2/2}\,\mathbb{P}(W' > \ln K) avec W′∼N(m+v2,v2)W' \sim \mathcal{N}(m + v^2, v^2), soit em+v2/2Φ(d1)e^{m+v^2/2}\Phi(d_1).

Corollaire 1.1Formule de Black-Scholes#

Avec m=ln⁡S0+(r−σ2/2)Tm = \ln S_0 + (r - \sigma^2/2)T et v=σTv = \sigma\sqrt T, on obtient C=S0 Φ(d1)−Ke−rT Φ(d2)C = S_0\,\Phi(d_1) - K e^{-rT}\,\Phi(d_2), avec d1=ln⁡(S0/K)+(r+σ2/2)TσTd_1 = \frac{\ln(S_0/K) + (r + \sigma^2/2)T}{\sigma\sqrt T} et d2=d1−σTd_2 = d_1 - \sigma\sqrt T.

Pour S0=K=100S_0 = K = 100, r=5 %r = 5\,\%, σ=20 %\sigma = 20\,\%, T=1T = 1 an, le juge vaut C=\htmlClass{c-exact}{C} = 10,4506 €. Le code suivant simule un million d’avenirs :

S0, K, r, sig, T = 100.0, 100.0, 0.05, 0.20, 1.0
rng = np.random.default_rng(1973)
Z = rng.standard_normal(1_000_000)
ST = S0 * np.exp((r - sig**2 / 2) * T + sig * np.sqrt(T) * Z)
prix, demi = monte_carlo(np.exp(-r * T) * np.maximum(ST - K, 0))
print(f"Monte-Carlo : {prix:.3f} ± {demi:.3f}   |   Black-Scholes : {bs_call(S0, K, r, sig, T):.4f}")
Monte-Carlo : 10.426 ± 0.029   |   Black-Scholes : 10.4506
Prix de l’option d’achat estimé en fonction du nombre d’avenirs simulés (données de la vidéo), avec sa bande de confiance à 95 % (bleu pâle), et le prix de Black-Scholes (orange).
Figure 1.4 Prix de l’option d’achat estimé en fonction du nombre d’avenirs simulés (données de la vidéo), avec sa bande de confiance à 95 % (bleu pâle), et le prix de Black-Scholes (orange).

Dans la vidéo, un million d’avenirs donnent 10,46 € avec une erreur typique de 0,015 €, contre 10,45 € pour Black-Scholes. L’intérêt de la simulation n’est pas de retrouver une formule connue : c’est de continuer à marcher quand il n’y en a plus (options sur moyenne, sur plusieurs actifs, modèles à volatilité aléatoire). Le juge sert à valider la méthode sur le cas où il existe.

1.4.3 Cas d’assurance : la ruine#

Le modèle de Cramér-Lundberg décrit la réserve d’un assureur : U(t)=u+c t−∑j=1N(t)Xj, U(t) = u + c\,t - \sum_{j=1}^{N(t)} X_j , où uu est la réserve initiale, cc le taux de primes, NN un processus de Poisson d’intensité λ\lambda (les dates des sinistres) et XjX_j des montants i.i.d. de moyenne mm, indépendants de NN. La prime contient un chargement de sécurité θ>0\theta > 0 : c=(1+θ)λmc = (1 + \theta)\lambda m. La probabilité de ruine est ψ(u)=P(∃t≥0:U(t)<0)\psi(u) = \mathbb{P}(\exists t \ge 0 : U(t) < 0), encore une espérance d’indicatrice.

Proposition 1.3Ruine à sinistres exponentiels#

Si les montants sont exponentiels de moyenne mm, alors ψ(u)=11+θexp⁡ ⁣(−θ u(1+θ) m)\htmlClass{c-exact}{\psi(u)} = \dfrac{1}{1+\theta}\exp\!\Big(-\dfrac{\theta\, u}{(1+\theta)\,m}\Big).

La démonstration (par renouvellement, ou par la martingale exponentielle de Lundberg) est classique (Asmussen et Albrecher 2010, IV). Elle fournit le juge orange de la vidéo.

Pour simuler, on remarque que la réserve ne peut passer sous zéro qu’à l’instant d’un sinistre. En notant EjE_j les durées entre sinistres (exponentielles de paramètre λ\lambda), la réserve juste après le kk-ième sinistre est la marche aléatoire Rk=u+∑j≤k(cEj−Xj)R_k = u + \sum_{j \le k}(c E_j - X_j), et la ruine est l’événement {min⁡kRk<0}\{\min_k R_k < 0\}. On tronque l’horizon à n=1 000n = 1\,000 sinistres.

def ruine(rng, N, u, theta, n_sinistres=1000):
    """Cramér-Lundberg (λ = 1, sinistres Exp de moyenne 1, c = 1 + θ) : ruine avant n_sinistres, et réserve finale."""
    R = np.full(N, float(u))
    ruinee = np.zeros(N, dtype=bool)
    for _ in range(n_sinistres):
        R += (1 + theta) * rng.exponential(1.0, N) - rng.exponential(1.0, N)
        ruinee |= R < 0
    return ruinee, R

ruinee, R = ruine(np.random.default_rng(1903), 10_000, u=17, theta=0.2)
p, demi = monte_carlo(ruinee)
print(f"ruine simulée : {p:.4f} ± {demi:.4f}   |   exacte : {ruine_exacte(17, 0.2):.4f}")
ruine simulée : 0.0501 ± 0.0043   |   exacte : 0.0490

Ce sont exactement les tirages de la vidéo (même graine, même ordre) : 501 ruines sur 10 000, soit 5,01 % ± 0,43 %, contre 4,90 % exactement.

Démonstration

Le biais de troncature se mesure. L’estimateur vise ψn(u)=P(ruine avant n sinistres)\psi_n(u) = \mathbb{P}(\text{ruine avant } n \text{ sinistres}), pas ψ(u)\psi(u). Par la propriété de Markov forte, l’écart vaut ψ(u)−ψn(u)=E[ψ(Rn) 1{pas de ruine avant n}]\psi(u) - \psi_n(u) = \mathbb{E}\big[\psi(R_n)\, \mathbf{1}_{\{\text{pas de ruine avant } n\}}\big], que l’on estime sur les mêmes trajectoires grâce à la formule exacte de ψ\psi : on trouve environ 2,4×10−82{,}4 \times 10^{-8}, négligeable devant l’erreur statistique. Prédire, simuler, vérifier : même les approximations de l’algorithme se contrôlent.

Quarante avenirs d’un assureur (u = 17,  = 20\,\%, données de la vidéo) : la réserve monte avec les primes et chute à chaque sinistre ; la trajectoire qui passe sous zéro est en rouge.
Figure 1.5 Quarante avenirs d’un assureur (u=17u = 17, θ=20 %\theta = 20\,\%, données de la vidéo) : la réserve monte avec les primes et chute à chaque sinistre ; la trajectoire qui passe sous zéro est en rouge.

1.5 Combien de tirages ?#

1.5.1 Le résultat est lui-même au hasard#

Trois estimations de π\pi avec 1 000 points chacune donnent 3,140, 3,204 et 3,128 : l’estimateur est une variable aléatoire. Sa loi décrit l’erreur. La loi faible donnait une borne ; le théorème central limite en donne la forme.

Théorème 1.4Central limite, Lindeberg-Lévy#

Soit Y1,Y2,…Y_1, Y_2, \dots un échantillon avec E[Y12]<∞\mathbb{E}[Y_1^2] < \infty, μ=E[Y1]\mu = \mathbb{E}[Y_1] et σ2=Var⁡(Y1)>0\sigma^2 = \operatorname{Var}(Y_1) > 0. Alors N YˉN−μσ→N→∞LN(0,1),c’est-aˋ-direP(N YˉN−μσ≤x)→Φ(x) pour tout x∈R. \sqrt N\,\frac{\bar Y_N - \mu}{\sigma} \xrightarrow[N\to\infty]{\mathcal{L}}\mathcal{N}(0, 1), \qquad\text{c'est-à-dire}\qquad \mathbb{P}\Big(\sqrt N\,\frac{\bar Y_N - \mu}{\sigma} \le x\Big) \to \Phi(x) \text{ pour tout } x \in \mathbb{R}.

Démonstration

Posons Zi=(Yi−μ)/σZ_i = (Y_i - \mu)/\sigma, centrées réduites, et ϕ(t)=E[eitZ1]\phi(t) = \mathbb{E}[e^{itZ_1}]. Comme E[Z12]<∞\mathbb{E}[Z_1^2] < \infty, on peut dériver deux fois sous l’espérance (convergence dominée) : ϕ\phi est de classe C2C^2, avec ϕ(0)=1\phi(0) = 1, ϕ′(0)=iE[Z1]=0\phi'(0) = i\mathbb{E}[Z_1] = 0, ϕ′′(0)=−E[Z12]=−1\phi''(0) = -\mathbb{E}[Z_1^2] = -1, d’où ϕ(t)=1−t2/2+o(t2)\phi(t) = 1 - t^2/2 + o(t^2). Par indépendance, la fonction caractéristique de TN=N−1/2∑i≤NZiT_N = N^{-1/2}\sum_{i \le N} Z_i est ϕ(t/N)N\phi(t/\sqrt N)^N.

Lemme. Si a1,…,aN,b1,…,bNa_1, \dots, a_N, b_1, \dots, b_N sont des complexes de module au plus 1, alors ∣∏ai−∏bi∣≤∑∣ai−bi∣|\prod a_i - \prod b_i| \le \sum |a_i - b_i| (récurrence sur NN : ∏i≤Nai−∏i≤Nbi=aN(∏i<Nai−∏i<Nbi)+(aN−bN)∏i<Nbi\prod_{i \le N} a_i - \prod_{i \le N} b_i = a_N(\prod_{i<N} a_i - \prod_{i<N} b_i) + (a_N - b_N)\prod_{i<N} b_i).

Pour tt fixé et N≥t2/2N \ge t^2/2, on applique le lemme à ai=ϕ(t/N)a_i = \phi(t/\sqrt N) et bi=1−t2/(2N)b_i = 1 - t^2/(2N) : ∣ϕ(t/N)N−(1−t22N)N∣≤N ∣ϕ(t/N)−1+t22N∣=N o(t2/N)→N→∞0. \Big|\phi(t/\sqrt N)^N - \big(1 - \tfrac{t^2}{2N}\big)^N\Big| \le N\,\Big|\phi(t/\sqrt N) - 1 + \tfrac{t^2}{2N}\Big| = N\, o\big(t^2/N\big) \xrightarrow[N\to\infty]{} 0 . Comme (1−t2/(2N))N→e−t2/2(1 - t^2/(2N))^N \to e^{-t^2/2}, la fonction caractéristique de TNT_N converge vers celle de N(0,1)\mathcal{N}(0,1) en tout point, et le théorème de continuité de Lévy (Durrett 2019, paragr. 3.3) donne la convergence en loi.

2 000 estimations de π pour n = 100, 400 et 1 600 points (données de la vidéo) : chaque fois que n est multiplié par 4, la cloche est deux fois plus étroite. En orange, les densités normales prédites par le théorème central limite.
Figure 1.6 2 000 estimations de π\pi pour n=100n = 100, 400 et 1 600 points (données de la vidéo) : chaque fois que nn est multiplié par 4, la cloche est deux fois plus étroite. En orange, les densités normales prédites par le théorème central limite.

Pour l’estimateur de π\pi, un tirage vaut 41{U12+U22≤1}4\mathbf{1}_{\{U_1^2 + U_2^2 \le 1\}}, d’écart-type σπ=4p(1−p)=\sigma_\pi = 4\sqrt{p(1-p)} = 1,642 avec p=π/4p = \pi/4. Les écarts-types mesurés sur 2 000 répétitions dans la vidéo sont :

points nn écart-type mesuré prédit σπ/n\sigma_\pi/\sqrt n
100 0,1637 0,1642
400 0,0808 0,0821
1 600 0,0412 0,0411
10 000 0,0164 0,0164

Quatre fois plus de points divisent l’erreur par deux ; cent fois plus de points font gagner une décimale. C’est la règle d’or de la méthode, et la raison pour laquelle les décimales de π\pi arrivaient si lentement à la Section 1.3.

1.5.2 L’intervalle de confiance#

En pratique σ\sigma est inconnu : on le remplace par l’écart-type empirique σ^N2=1N−1∑i≤N(Yi−YˉN)2\hat\sigma_N^2 = \frac{1}{N-1}\sum_{i \le N}(Y_i - \bar Y_N)^2, qui converge presque sûrement vers σ2\sigma^2 (loi forte appliquée aux YiY_i et aux Yi2Y_i^2). Le passage est justifié par le lemme suivant.

Lemme 1.2Slutsky#

Si TN→TT_N \to T en loi et AN→aA_N \to a en probabilité (aa constante), alors ANTN→aTA_N T_N \to aT en loi.

Théorème 1.5Intervalle de confiance asymptotique#

Sous les hypothèses du Théorème 1.4, pour α∈ ]0,1[\alpha \in\, ]0, 1[ et q=Φ−1(1−α/2)q = \Phi^{-1}(1 - \alpha/2), P(μ∈[YˉN−q σ^NN, YˉN+q σ^NN])→N→∞1−α. \mathbb{P}\Big(\mu \in \Big[\htmlClass{c-simu}{\bar Y_N} - q\,\frac{\hat\sigma_N}{\sqrt N},\ \htmlClass{c-simu}{\bar Y_N} + q\,\frac{\hat\sigma_N}{\sqrt N}\Big]\Big) \xrightarrow[N\to\infty]{} 1 - \alpha . Pour α=5 %\alpha = 5\,\%, q=1,96q = 1{,}96 : c’est l’intervalle « estimation ± 1,96 σ^/N\pm\, 1{,}96\,\hat\sigma/\sqrt N ».

Démonstration

σ^N→σ>0\hat\sigma_N \to \sigma > 0 p.s., donc σ/σ^N→1\sigma/\hat\sigma_N \to 1 en probabilité ; par le Lemme 1.2 et le Théorème 1.4, TN=N(YˉN−μ)/σ^N→N(0,1)T_N = \sqrt N(\bar Y_N - \mu)/\hat\sigma_N \to \mathcal{N}(0,1) en loi. L’événement considéré est {∣TN∣≤q}\{|T_N| \le q\} ; la loi limite ne charge pas le bord {±q}\{\pm q\}, donc P(∣TN∣≤q)→Φ(q)−Φ(−q)=1−α\mathbb{P}(|T_N| \le q) \to \Phi(q) - \Phi(-q) = 1 - \alpha.

Cent intervalles de confiance à 95 % pour π, chacun avec 1 000 points (données de la vidéo) : en bleu ceux qui contiennent π (orange), en rouge ceux qui le manquent.
Figure 1.7 Cent intervalles de confiance à 95 % pour π\pi, chacun avec 1 000 points (données de la vidéo) : en bleu ceux qui contiennent π\pi (orange), en rouge ceux qui le manquent.

1.5.3 La réponse à Ulam#

Pour une proportion, σ2=p(1−p)≤1/4\sigma^2 = p(1-p) \le 1/4. Avec NN parties, la demi-largeur de l’intervalle à 95 % est donc au plus 1,96×0,5/N1{,}96 \times 0{,}5/\sqrt N : avec cent parties, Ulam connaissait sa chance à 9,8 points près au pire. Pour descendre à ε=1 %\varepsilon = 1\,\%, il faut N≥(1,96×0,50,01)2=9 604 parties. N \ge \Big(\frac{1{,}96 \times 0{,}5}{0{,}01}\Big)^2 = 9\,604 \text{ parties.} Diviser l’erreur par dix coûte cent fois plus de tirages : le prix d’une décimale.

Démonstration

Une garantie non asymptotique. Le Théorème 1.5 est asymptotique. Pour des variables bornées dans [a,b][a, b], l’inégalité de Hoeffding (Hoeffding 1963) donne une garantie valable pour tout NN : P(∣YˉN−μ∣≥ε)≤2exp⁡(−2Nε2/(b−a)2)\mathbb{P}(|\bar Y_N - \mu| \ge \varepsilon) \le 2\exp\big(-2N\varepsilon^2/(b-a)^2\big). Pour Ulam (b−a=1b - a = 1), une erreur d’au plus 1 % avec probabilité au moins 95 % est garantie dès N≥ln⁡(40)/(2×0,012)N \ge \ln(40)/(2 \times 0{,}01^2), soit 18 445 parties : le prix de la certitude est environ le double du prix asymptotique.

1.6 Pourquoi la finance l’adore#

1.6.1 La dimension#

Pour calculer une intégrale sur [0,1]d[0,1]^d, on peut aussi quadriller : nn points par axe, N=ndN = n^d points en tout. Pour une fonction de classe C2C^2, la règle du point milieu a une erreur en O(n−2)=O(N−2/d)O(n^{-2}) = O(N^{-2/d}) (développement de Taylor à l’ordre 2 dans chaque case : le terme d’ordre 1 s’annule par symétrie). Monte-Carlo a une erreur en σN−1/2\sigma N^{-1/2}, quel que soit dd. La grille gagne en dimension 1, 2 ou 3 ; elle perd dès d>4d > 4, et elle devient impraticable bien avant : dix points par axe en dimension 50 font 105010^{50} points, l’ordre de grandeur du nombre d’atomes de la Terre. C’est la malédiction de la dimension.

dimension dd 1 2 3 10 50
points d’une grille à 10 points par axe 10 100 1 000 101010^{10} 105010^{50}
erreur de Monte-Carlo pour NN tirages σ/N\sigma/\sqrt N σ/N\sigma/\sqrt N σ/N\sigma/\sqrt N σ/N\sigma/\sqrt N σ/N\sigma/\sqrt N

En finance, la dimension est le nombre de quantités aléatoires d’un scénario : une trajectoire de 48 pas compte 48 dimensions, un portefeuille de 50 actions sur 12 mois en compte 600. C’est la vraie raison du succès de la méthode. La constante σ\sigma, elle, peut dépendre de dd : c’est l’objet de la séance 2 (la réduire) et du défi 2 du TP.

1.6.2 Le talon d’Achille : l’événement rare#

Pour une probabilité pp petite, l’erreur relative de p^N\hat p_N vaut σ/Np=1−pNp≈1Np, \frac{\sigma/\sqrt N}{p} = \sqrt{\frac{1-p}{Np}} \approx \frac{1}{\sqrt{Np}} , qui ne dépend que du nombre NpNp d’événements observés. Pour une erreur relative de 10 %, il faut observer environ cent événements, donc N≈100/pN \approx 100/p tirages. Prenons un assureur assez bien doté pour que sa ruine n’arrive, un jour, qu’environ une fois sur deux cents : dans le modèle de la Section 1.4, une réserve initiale u=31u = 31 donne une probabilité de ruine exacte de 0,475 %. C’est l’ordre de grandeur de la directive Solvabilité II, qui calibre le capital d’un assureur pour que sa ruine à un an n’ait que 0,5 % de chances de survenir (Parlement européen et Conseil 2009) ; mais ce sont deux probabilités différentes : la directive regarde une seule année, le modèle regarde tout l’avenir. Avec 100 simulations, on n’observe aucune ruine avec probabilité (1−p)100≈(1 - p)^{100} \approx 0,62. Avec 1 000 simulations, la vidéo en observe 6 : 0,6 % ± 0,5 %, presque rien ; il en faut cent mille pour obtenir 0,49 % ± 0,04 %. La séance 3 apprendra à viser là où ça compte.

1.6.3 Repères historiques#

Fermi pratiquait déjà l’échantillonnage statistique à Rome au début des années 1930, sans publier ; Ulam n’invente pas l’idée, il la marie à l’ordinateur.

Le 11 mars 1947, von Neumann envoie à Robert Richtmyer, à Los Alamos, un plan de calcul statistique de la diffusion des neutrons (Eckhardt 1987). Les premières simulations tournent sur l’ENIAC au printemps 1948 ; Klára Dán von Neumann en écrit l’essentiel des programmes (Haigh et al. 2014). Le premier article, « The Monte Carlo Method », paraît en 1949 (Metropolis et Ulam 1949). En finance, Phelim Boyle introduit la simulation dans l’évaluation des options en 1977 (Boyle 1977).

1.7 Ce qu’on retient#

  1. Une probabilité est une proportion : p^N=k/N→p\htmlClass{c-simu}{\hat p_N} = k/N \to \htmlClass{c-exact}{p} presque sûrement (loi forte des grands nombres) ; le hasard ne compense pas, il se dilue.
  2. Une espérance est une moyenne, et une moyenne se simule : I^N=1N∑f(Xi)≈E[f(X)]\htmlClass{c-simu}{\hat I_N} = \frac1N\sum f(\htmlClass{c-simu}{X_i}) \approx \htmlClass{c-exact}{\mathbb{E}[f(X)]}, sans biais, de variance σ2/N\sigma^2/N.
  3. L’erreur décroît en σ/N\sigma/\sqrt N : une décimale coûte cent fois plus de tirages ; on rend toujours l’estimation avec son intervalle ±1,96 σ^/N\pm 1{,}96\,\hat\sigma/\sqrt N, qui contient la vraie valeur 95 fois sur cent.

Le programme de la vidéo, en sept lignes, exécuté ici :

import numpy as np
rng = np.random.default_rng(21)
x, y = rng.random(1_000_000), rng.random(1_000_000)
dedans = (x**2 + y**2 <= 1)
pi_hat = 4 * dedans.mean()
erreur = 1.96 * 4 * dedans.std() / 1000
print(round(pi_hat, 4), '±', round(erreur, 4))
3.1407 ± 0.0032

Pour s’entraîner#

  1. Montrer que l’estimateur 2n/k2n/k de Buffon-Laplace est biaisé (inégalité de Jensen), puis calculer son erreur typique par la méthode delta. Comparer, à nombre égal de tirages, à l’estimateur des fléchettes.
  2. On estime p=P(A)p = \mathbb{P}(A) avec NN tirages. Combien en faut-il pour une erreur relative de 10 % (à 95 %) si p=10−2p = 10^{-2} ? si p=10−5p = 10^{-5} ?
  3. Écrire l’algorithme de simulation de la ruine en temps continu (dates des sinistres comprises) et vérifier qu’il donne la même probabilité que la marche aléatoire RkR_k. Pourquoi ?
  4. Montrer que pour des YiY_i à valeurs dans {0,1}\{0, 1\}, σ^N2=NN−1p^N(1−p^N)\hat\sigma_N^2 = \frac{N}{N-1}\hat p_N(1 - \hat p_N).

Pour aller plus loin#

  • Vitesse dans le théorème central limite. L’inégalité de Berry-Esseen borne l’écart entre la loi de l’erreur normalisée et N(0,1)\mathcal{N}(0,1) par C E∣Y−μ∣3/(σ3N)C\,\mathbb{E}|Y - \mu|^3/(\sigma^3\sqrt N) : la cloche est atteinte d’autant plus vite que la loi de YY est peu asymétrique (Durrett 2019).
  • Intervalles pour une proportion. Quand NpNp est petit, l’intervalle de Wald p^±1,96p^(1−p^)/N\hat p \pm 1{,}96\sqrt{\hat p(1 - \hat p)/N} couvre mal (il vaut [0,0][0, 0] quand aucun succès n’est observé) ; les intervalles de Wilson et de Clopper-Pearson y remédient.
  • Quasi-Monte-Carlo. Remplacer les tirages aléatoires par des suites à faible discrépance (Sobol, Halton) donne une erreur proche de N−1N^{-1} pour des intégrandes régulières, au prix d’une estimation d’erreur plus délicate (Glasserman 2004, chap. 5).
  • Lectures. Glasserman (2004) (chap. 1 et 2) pour la finance, Asmussen et Glynn (2007) pour la théorie générale, Lapeyre et al. (1998) en français, Owen (2013) en accès libre.

Références citées

  1. Asmussen, Søren, et Hansjörg Albrecher. 2010. Ruin Probabilities. 2ᵉ éd. World Scientific.
  2. Asmussen, Søren, et Peter W. Glynn. 2007. Stochastic Simulation: Algorithms and Analysis. Springer.
  3. Black, Fischer, et Myron Scholes. 1973. « The Pricing of Options and Corporate Liabilities ». Journal of Political Economy 81 (3): 637‑54.
  4. Boyle, Phelim P. 1977. « Options: A Monte Carlo Approach ». Journal of Financial Economics 4 (3): 323‑38.
  5. Buffon, Georges-Louis Leclerc. 1777. Essai d’arithmétique morale. IV. Supplément à l’Histoire naturelle. Imprimerie royale.
  6. Durrett, Rick. 2019. Probability: Theory and Examples. 5ᵉ éd. Cambridge University Press.
  7. Eckhardt, Roger. 1987. « Stan Ulam, John von Neumann, and the Monte Carlo Method ». Los Alamos Science 15: 131‑37.
  8. Etemadi, Nasrollah. 1981. « An Elementary Proof of the Strong Law of Large Numbers ». Zeitschrift für Wahrscheinlichkeitstheorie und verwandte Gebiete 55: 119‑22.
  9. Glasserman, Paul. 2004. Monte Carlo Methods in Financial Engineering. Springer.
  10. Haigh, Thomas, Mark Priestley, et Crispin Rope. 2014. « Los Alamos Bets on ENIAC: Nuclear Monte Carlo Simulations, 1947–1948 ». IEEE Annals of the History of Computing 36 (3): 42‑63.
  11. Hoeffding, Wassily. 1963. « Probability Inequalities for Sums of Bounded Random Variables ». Journal of the American Statistical Association 58 (301): 13‑30.
  12. Hoekstra, Rink, Richard D. Morey, Jeffrey N. Rouder, et Eric-Jan Wagenmakers. 2014. « Robust Misinterpretation of Confidence Intervals ». Psychonomic Bulletin & Review 21 (5): 1157‑64.
  13. Lapeyre, Bernard, Étienne Pardoux, et Rémi Sentis. 1998. Méthodes de Monte-Carlo pour les équations de transport et de diffusion. Vol. 29. Mathématiques et Applications. Springer.
  14. Laplace, Pierre-Simon. 1812. Théorie analytique des probabilités. Courcier.
  15. Merton, Robert C. 1973. « Theory of Rational Option Pricing ». Bell Journal of Economics and Management Science 4 (1): 141‑83.
  16. Metropolis, Nicholas. 1987. « The Beginning of the Monte Carlo Method ». Los Alamos Science 15: 125‑30.
  17. Metropolis, Nicholas, et Stanislaw Ulam. 1949. « The Monte Carlo Method ». Journal of the American Statistical Association 44 (247): 335‑41. https://doi.org/10.1080/01621459.1949.10483310.
  18. O’Neill, Melissa E. 2014. PCG: A Family of Simple Fast Space-Efficient Statistically Good Algorithms for Random Number Generation. HMC-CS-2014-0905. Harvey Mudd College.
  19. Owen, Art B. 2013. Monte Carlo Theory, Methods and Examples.
  20. Parlement européen et Conseil. 2009. Directive 2009/138/CE sur l’accès aux activités de l’assurance et de la réassurance et leur exercice (Solvabilité II), article 101. Journal officiel de l’Union européenne, L 335.
  21. Tversky, Amos, et Daniel Kahneman. 1974. « Judgment under Uncertainty: Heuristics and Biases ». Science 185 (4157): 1124‑31.
Échap

    Tapez pour chercher dans le polycopié, les transcriptions et les TP.

    ↑ ↓ choisirEntrée ouvrir

    Raccourcis clavier

    Partout

    / Ctrl K
    Rechercher dans tout le cours
    g h
    Accueil
    g 1…7
    Aller à une séance
    n p
    Séance suivante, précédente
    ?
    Cette aide

    Vidéo

    Espace k
    Lecture, pause
    j l
    Reculer, avancer de 10 s
    ← →
    Reculer, avancer de 5 s
    [ ]
    Chapitre précédent, suivant
    c
    Sous-⁠titres
    f
    Plein écran
    m
    Couper le son
    < >
    Vitesse
    0…9
    Aller à 0 %, 10 %… 90 %

    TP dans le navigateur

    Maj Entrée
    Exécuter la cellule
    Ctrl Entrée
    Exécuter sans passer à la suivante