Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor

Dimension: px
Commencer à balayer dès la page:

Download "Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor"

Transcription

1 Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor

2 Notion de longue mémoire Les valeurs d une série temporelle X = (X l ) l Z sont en général dépendantes.

3 Notion de longue mémoire Les valeurs d une série temporelle X = (X l ) l Z sont en général dépendantes. Objectif : identifier et modéliser cette structure de dépendance.

4 Notion de longue mémoire Les valeurs d une série temporelle X = (X l ) l Z sont en général dépendantes. Objectif : identifier et modéliser cette structure de dépendance. Outil possible : notion de longue mémoire.

5 Notion de longue mémoire Notion introduite par B.Mandelbrot et ses collaborateurs dans les années (Mandelbrot (1965), Mandelbrot Van ness (1968), Mandelbrot Wallis (1968,1969).

6 Notion de longue mémoire Notion introduite par B.Mandelbrot et ses collaborateurs dans les années (Mandelbrot (1965), Mandelbrot Van ness (1968), Mandelbrot Wallis (1968,1969). Objectif : expliquer le phénomène de Hurst (1951) lié à l étude des niveaux du Nil.

7 Notion de longue mémoire Minima annuel des eaux du Nil : années

8 Notion de longue mémoire Comportement inhabituel de certaines statistiques de cette série temporelle.

9 Notion de longue mémoire Comportement inhabituel de certaines statistiques de cette série temporelle. Théorème central limite (CLT) non vérifié.

10 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1.

11 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1. Var(S n ) = 1 n + 2 n 2 n 2 (n l)γ X (l). l=0

12 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1. Var(S n ) = 1 n + 2 n 2 n 2 (n l)γ X (l). l=0 l N γ X (l) < n 1/2 S n asymptotiquement gaussien : CLT vérifié.

13 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1. Var(S n ) = 1 n + 2 n 2 n 2 (n l)γ X (l). l=0 l N γ X (l) < n 1/2 S n asymptotiquement gaussien : CLT vérifié. Deux cas : l N γ X (l) sommable ou non sommable.

14 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire. Cas l N γ X (l) <, série temporelle X à mémoire courte.

15 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire. Cas l N γ X (l) <, série temporelle X à mémoire courte. Cas l N γ X (l) =, série temporelle X à mémoire longue.

16 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :.

17 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles.

18 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles.

19 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles. Une basée sur la décroissance à l infini de la fonction γx.

20 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles. Une basée sur la décroissance à l infini de la fonction γx. Une basée sur le comportement de la densité spectrale f X de X en 0.

21 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles. Une basée sur la décroissance à l infini de la fonction γx. Une basée sur le comportement de la densité spectrale f X de X en 0. Dans les bons cas, définitions équivalentes (théorèmes taubériens) mais pas toujours le cas.

22 Paramètre de mémoire Définition 1 X processus stationnaire, d < 1/2. d paramètre de mémoire de X au sens de la covariance si : γ X (h) L 1 (h)h 2d 1, quand h, où L 1 ( ) fonction à variation lente à l infini, i.e si pour tout a > 0, lim h L 1 (ah)/l 1 (h) = 1. X à mémoire longue si 0 < d < 1/2 et à mémoire courte si d < 0.

23 Paramètre de mémoire Exemple Prix du pétrole : Janvier 97 à Juin (Mostafei Sakhabakhash, Int.Journ.Acad.Res.(2011)).

24 Paramètre de mémoire Exemple Autocorrélogramme empirique. γ X (h) h 0.25 quand h, d 0.34.

25 Paramètre de mémoire Définition 2 X série temporelle stationnaire admettant une densité spectrale f X, d < 1/2. d paramètre de mémoire de X au sens de la densité spectrale si f X (λ) λ 2d L 2 (1/ λ ), quand λ 0, où L 2 ( ) est une fonction à variation lente à l infini. X à mémoire longue si 0 < d < 1/2 et à mémoire courte si d < 0.

26 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995).

27 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995). Classe qui comprend un grand nombre de modèles classiques (ARFIMA, FBM, FGN).

28 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995). Classe qui comprend un grand nombre de modèles classiques (ARFIMA, FBM, FGN). Modèles pertinents pour de nombreuses séries macro-économiques et financières.

29 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995). Classe qui comprend un grand nombre de modèles classiques (ARFIMA, FBM, FGN). Modèles pertinents pour de nombreuses séries macro-économiques et financières. Deux cas à distinguer : séries temporelles stationnaires et séries temporelles à accroissements stationnaires d ordre K 1.

30 Estimation : les M(d) processus (cas stationnaire) X = (X l ) l Z série temporelle stationnaire admettant une densité spectrale f X, d < 1/2. X est un M(d) processus si f X (λ) = λ 2d f (λ), où f fonction paire, bornée et positive à l origine (L 2 Cte).

31 Estimation : les M(d) processus (cas stationnaire) X = (X l ) l Z série temporelle stationnaire admettant une densité spectrale f X, d < 1/2. X est un M(d) processus si f X (λ) = λ 2d f (λ), où f fonction paire, bornée et positive à l origine (L 2 Cte). Paramètre de mémoire de X =d.

32 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine.

33 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine. f X (λ) = 1 e iλ 2K f K X (λ) appelée densité spectrale généralisée de X.

34 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine. f X (λ) = 1 e iλ 2K f K X (λ) appelée densité spectrale généralisée de X. f X (λ) λ 2d quand λ 0.

35 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine. f X (λ) = 1 e iλ 2K f K X (λ) appelée densité spectrale généralisée de X. f X (λ) λ 2d quand λ 0. Paramètre de mémoire de X = d.

36 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte.

37 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte. Généralisation de ces modèles introduite par Granger Joyeux (1980) : modèles ARFIMA à mémoire longue.

38 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte. Généralisation de ces modèles introduite par Granger Joyeux (1980) : modèles ARFIMA à mémoire longue. d ( 1/2, 1/2), (p, q) N 2. (BX ) l = X l 1.

39 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte. Généralisation de ces modèles introduite par Granger Joyeux (1980) : modèles ARFIMA à mémoire longue. d ( 1/2, 1/2), (p, q) N 2. (BX ) l = X l 1. (ξ l ) l Z bruit blanc de variance finie σ.

40 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) (X l ) l Z ARFIMA(p, d, q) si φ(b)x l = θ(b) d ξ l.

41 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) (X l ) l Z ARFIMA(p, d, q) si φ(b)x l = θ(b) d ξ l. d = (I B) d : opérateur d intégration fractionnaire.

42 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) (X l ) l Z ARFIMA(p, d, q) si φ(b)x l = θ(b) d ξ l. d = (I B) d : opérateur d intégration fractionnaire. φ(b) = 1 + φ 1 B + + φ p B p avec φ p 0, θ(b) = 1 + θ 1 B + + θ q B q avec θ q 0, φ(b),θ(b) pas de zeros en commun + racines en dehors du cercle unité.

43 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) 1000 observations simulées d un ARFIMA(1,d,0) (d = 0.4, φ 1 = 0.5, σ = 1). Fig.: (a) : correspond aux observations, (b) a l auto covariance empirique.

44 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Densité spectrale λ ( π, π), f X (λ) = σ2 2π 1 e iλ 2d θ(e iλ ) 2 φ(e iλ ) 2.

45 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Densité spectrale λ ( π, π), f X (λ) = σ2 2π 1 e iλ 2d θ(e iλ ) 2 φ(e iλ ) 2. Paramètre de mémoire = d.

46 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1).

47 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1). Densité spectrale généralisée : f BH (λ) = k Z λ + 2kπ 2H 1.

48 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1). Densité spectrale généralisée : f BH (λ) = k Z λ + 2kπ 2H 1. D où f BH (λ) = λ 2H 1 f (λ) avec f (λ) = 2 sin(λ/2) λ 2H sin(λ/2) 2H+1 k 0 λ+2kπ 2H 1.

49 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1). Densité spectrale généralisée : f BH (λ) = k Z λ + 2kπ 2H 1. D où f BH (λ) = λ 2H 1 f (λ) avec f (λ) = 2 sin(λ/2) λ 2H sin(λ/2) 2H+1 k 0 Parametre de mémoire du MBF d indice de Hurst H : d = H + 1/2 (1/2, 3/2). λ+2kπ 2H 1.

50 Second exemple: le mouvement Brownien fractionnaire (FBM) Une trajectoire du MBF d indice de Hurst H sur [0, 1]. H = 0.3, 0.5, 0.8 (codes de J.F.Coeurjolly).

51 Approche Objectif : Estimation du paramètre de longue mémoire d une série temporelle.

52 Approche Objectif : Estimation du paramètre de longue mémoire d une série temporelle. Outil : la transformée en ondelettes discrète.

53 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R).

54 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R). Hypothèse : ψ a M moments nuls, ie t m ψ(t)dt = 0, m {0,, M 1}, t M ψ(t)dt 0. R R

55 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R). Hypothèse : ψ a M moments nuls, ie t m ψ(t)dt = 0, m {0,, M 1}, t M ψ(t)dt 0. R R Coefficients d ondelettes de F L 2 (R) W (F ) j,k = F (t)ψ j,k (t)dt, où ψ j,k (t) = 2 j/2 ψ(2 j t k). R pour tous (j, k) Z 2.

56 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R). Hypothèse : ψ a M moments nuls, ie t m ψ(t)dt = 0, m {0,, M 1}, t M ψ(t)dt 0. R R Coefficients d ondelettes de F L 2 (R) W (F ) j,k = F (t)ψ j,k (t)dt, où ψ j,k (t) = 2 j/2 ψ(2 j t k). R pour tous (j, k) Z 2. Dans L 2 (R), F = (j,k) Z 2 W (F ) j,k ψ j,k décomposition temps/fréquence de F.

57 La transformée en ondelettes discrète d une série temporelle x(t) = l X lϕ(t l).

58 La transformée en ondelettes discrète d une série temporelle x(t) = l X lϕ(t l). Coefficients d ondelettes de X W (X ) j,k = x(t)ψ j,k (t)dt = R l h j,2 j k lx l = (h j, X ) 2 j k, avec h j (m) = R φ(t + m)ψ j,0(t)dt.

59 La transformée en ondelettes discrète d une série temporelle x(t) = l X lϕ(t l). Coefficients d ondelettes de X W (X ) j,k = x(t)ψ j,k (t)dt = R l h j,2 j k lx l = (h j, X ) 2 j k, avec h j (m) = R φ(t + m)ψ j,0(t)dt. Fonction de transfert du filtre associé à la transformée en ondelettes discrète ĥ j (λ) = m h j (m)e imλ.

60 Propriétés de ĥj On a représenté λ 2 j/2 ĥ j (2 j λ) pour différentes valeurs de j. (ϕ, ψ sont les ondelettes de Daubechies).

61 Ondelettes et paramètre de mémoire : cas linéaire Un exemple Cas MBF {B H (t)} t R. Variance des coefficients d ondelettes liée à d = H + 1/2 : E[ W B H j,k 2 ] = C2 2j(H+1/2) = C2 2jd.

62 Ondelettes et paramètre de mémoire : cas linéaire Un exemple Si X série temporelle gaussienne ou linéaire, comportement asymptotique des coefficients d ondelettes similaire à celui du MBF.

63 Ondelettes et paramètre de mémoire : cas linéaire Un exemple Si X série temporelle gaussienne ou linéaire, comportement asymptotique des coefficients d ondelettes similaire à celui du MBF. Quand j E[ W X j,k 2 ] C(f (0), d)2 2jd.

64 Ondelettes et paramètre de mémoire : cas linéaire Construction d un estimateur Estimation du paramètre de longue mémoire : basée sur la variance empirique des coefficients d ondelettes S n,j = 1 n n 1 ( k=0 W (X ) j,k ) 2, où n 2 j N, N : nombre des observations.

65 Ondelettes et paramètre de mémoire : cas linéaire Construction d un estimateur Estimation du paramètre de longue mémoire : basée sur la variance empirique des coefficients d ondelettes S n,j = 1 n n 1 ( k=0 W (X ) j,k ) 2, où n 2 j N, N : nombre des observations. Résultat attendu S n,j E[ W X j,k 2 ] C(f (0), ψ)2 2jd.

66 Ondelettes et paramètre de mémoire : cas linéaire Construction d un estimateur (Abry Veicht, 1998) (w 0,, w U L ) poids tels que U L j=0 w j = 0, U L j=0 jw j = 1/(2 log(2)). On définit alors U d n,j = w j log(s n,j ). j=l

67 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Hypothèses : conditions sur M + décroissance en Fourier du filtre. S n,j estimateur consistant et asymptotiquement normal de E( W j,0 2 ).

68 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Hypothèses : conditions sur M + décroissance en Fourier du filtre. S n,j estimateur consistant et asymptotiquement normal de E( W j,0 2 ). dn,j estimateur consistant et asymptotiquement normal de d.

69 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon.

70 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal.

71 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal. Variance de l estimateur faible.

72 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal. Variance de l estimateur faible. Permet de traiter les cas non stationnaires sans prétraitement des données.

73 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal. Variance de l estimateur faible. Permet de traiter les cas non stationnaires sans prétraitement des données. Permet de gérer le cas où on a une tendance polynomiale.

74 Au delà des séries temporelles linéaires Objectif : cas de séries temporelles non linéaire de la forme G(X ) où G L 2 (R, e x2 /2 dx), X série temporelle gaussienne.

75 Au delà des séries temporelles linéaires Objectif : cas de séries temporelles non linéaire de la forme G(X ) où G L 2 (R, e x2 /2 dx), X série temporelle gaussienne. Même estimateur que dans le cas linéaire. Comportement asymptotique?

76 Au delà des séries temporelles linéaires Objectif : cas de séries temporelles non linéaire de la forme G(X ) où G L 2 (R, e x2 /2 dx), X série temporelle gaussienne. Même estimateur que dans le cas linéaire. Comportement asymptotique? Cas connu: processus de Rosenblatt (G H 2 ) (Bardet et Tudor, 2010).

77 Rappels de calcul stochastique (W (t)) processus de Wiener classique. W ([a, b]) = W (b) W (a). f S q si f = c i1,,i q 1 Ai1 A iq où c i1,,i q = 0 si i l = i k, ensembles A i B(R) supposés disjoints deux à deux.

78 Rappels de calcul stochastique (W (t)) processus de Wiener classique. W ([a, b]) = W (b) W (a). f S q si f = c i1,,i q 1 Ai1 A iq où c i1,,i q = 0 si i l = i k, ensembles A i B(R) supposés disjoints deux à deux. I q (f ) = f (x)dw (x 1 ) dw (x q ) = c i1,,i q W (A i1 ) W (A iq ) R q

79 Rappels de calcul stochastique (W (t)) processus de Wiener classique. W ([a, b]) = W (b) W (a). f S q si f = c i1,,i q 1 Ai1 A iq où c i1,,i q = 0 si i l = i k, ensembles A i B(R) supposés disjoints deux à deux. I q (f ) = f (x)dw (x 1 ) dw (x q ) = c i1,,i q W (A i1 ) W (A iq ) R q I q isométrie de S q dans L 2 (Ω) étendue à L 2 (R q ) par densité.

80 Décomposition en chaos de Wiener Ecriture unique pour tout X L 2 (Ω) X = + q=0 I q (f q ), où f q L 2 (R q, R) décomposition en chaos de Wiener de X.

81 Décomposition en chaos de Wiener Ecriture unique pour tout X L 2 (Ω) X = + q=0 I q (f q ), où f q L 2 (R q, R) décomposition en chaos de Wiener de X. Si X variable aléatoire gaussienne à valeurs dans le premier chaos de Wiener, : X = I 1 (f 1 ), f 1 L 2 (R).

82 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt d indice de Hurst H (1/2, 1) Z H (t) = t t 0 où y R 2 L H (y; t) = 1 [0,t] 2(y) y 1 y 2 0 L H (y 1, y 2 ; t)dw (y 1 )dw (y 2 ) = I 2 (L H (y 1, y 2 ; t)), 2 ( (yi i=1 u ) 1/2 H (u yi ) H 3/2 ) du.

83 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt d indice de Hurst H (1/2, 1) Z H (t) = t t 0 où y R 2 L H (y; t) = 1 [0,t] 2(y) y 1 y 2 0 L H (y 1, y 2 ; t)dw (y 1 )dw (y 2 ) = I 2 (L H (y 1, y 2 ; t)), 2 ( (yi i=1 u ) 1/2 H (u yi ) H 3/2 ) du. Propriétés principales : autosimilaire d exposant H, à accroissements stationnaires + mêmes moments d ordre 1 et 2 qu un MBF d indice de Hurst H.

84 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt d indice de Hurst H (1/2, 1) Z H (t) = t t 0 où y R 2 L H (y; t) = 1 [0,t] 2(y) y 1 y 2 0 L H (y 1, y 2 ; t)dw (y 1 )dw (y 2 ) = I 2 (L H (y 1, y 2 ; t)), 2 ( (yi i=1 u ) 1/2 H (u yi ) H 3/2 ) du. Propriétés principales : autosimilaire d exposant H, à accroissements stationnaires + mêmes moments d ordre 1 et 2 qu un MBF d indice de Hurst H. Paramètre de longue mémoire : d = H + 1/2.

85 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt à valeurs dans le chaos d ordre 2.

86 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt à valeurs dans le chaos d ordre 2. Coefficients d ondelettes du processus de Rosenblatt W Z j,k = I 2(f j,k ).

87 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt à valeurs dans le chaos d ordre 2. Coefficients d ondelettes du processus de Rosenblatt W Z j,k = I 2(f j,k ). Décomposition en chaos Wiener de la variance empirique déduite de la formule d Ito I 2 (f )I 2 (g) = I 4 (f g) + I 2 (f 1 g) + E[I 2 (f )I 2 (g)], où (f 1 g)(t 1, t 2 ) = R f (t 1, s)g(t 2, s)ds.

88 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Décomposition en chaos de Wiener de la variance empirique où T (0) n,j S n,j = T (4) n,j + T (2) n,j + T (0) j,n, = E(S n,j ) = E( W j,0 2 ) : terme déterministe, T (2) n,j = 1/n k I 2(f j,k 1 f j,k ) : terme dans le chaos d ordre 2, T (4) n,j = 1/n k I 4(f j,k f j,k ) : terme dans le chaos d ordre 4.

89 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Hypothèse :M > 1.

90 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Hypothèse :M > 1. Terme T (2) n,j asymptotiquement Rosenblatt : quand j, n n 3/2 d 2 2jd T (2) n,j = n 1 H 2 j(2h+1) T (2) fidi n,j R 1 (H). où R 1 (H) variable de Rosenblatt.

91 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Hypothèse :M > 1. Terme T (2) n,j asymptotiquement Rosenblatt : quand j, n n 3/2 d 2 2jd T (2) n,j = n 1 H 2 j(2h+1) T (2) fidi n,j R 1 (H). où R 1 (H) variable de Rosenblatt. Terme T (4) n,j asymptotiquement négligeable par rapport à T (2) n,j. Quand j, n ( ) ( ) lim n jd E[ T (4) n,j n,j 2 ] 1 2 = lim n j(2h+1) E[ T (4) n,j n,j 2 ] 1 2 < +.

92 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Théorème Hypothèses: M > 1+lien entre n et 2 j. Quand n + et n 1 H 2 2jd (S n,j E[S n,j ]) fidi R 1 (H) n 1 H (log(s n,j )/(j log(2)) d) fidi R 2 (H) où R 1 (H), R 2 (H) deux variables de Rosenblatt.

93 Un cas non linéaire plus général Généralisation au cas de séries temporelles non linéaires. {Y (l)} l Z telle que pour un certain K N K Y = G(X ) où X = (X l ) l série temporelle gaussienne stationnaire de paramètre de longue dépendance d et G L 2 (R, e x2 /2 dx).

94 Un cas non linéaire plus général G L 2 (R, e x2 /2 dx), décomposition en série d Hermite de G : G = c q q! H q, q où q c2 q/q! < +, H q q-ième polynôme d Hermite.

95 Un cas non linéaire plus général G L 2 (R, e x2 /2 dx), décomposition en série d Hermite de G : G = c q q! H q, q où q c2 q/q! < +, H q q-ième polynôme d Hermite. Rang d Hermite de G q 0 = min{q, c q 0}.

96 Un cas non linéaire plus général G L 2 (R, e x2 /2 dx), décomposition en série d Hermite de G : G = c q q! H q, q où q c2 q/q! < +, H q q-ième polynôme d Hermite. Rang d Hermite de G q 0 = min{q, c q 0}. Point clé : on doit gérer des sommes infinies.

97 Hypothèses δ(q) = qd + (1 q)/2 : paramètre de longue mémoire de (H q (X l )) l.

98 Hypothèses δ(q) = qd + (1 q)/2 : paramètre de longue mémoire de (H q (X l )) l. Hypothèses : d > 1/4, q 0 2, pour tout λ > 0, c q = o(e λq ).

99 Résultat principal q 1 = min{q, c q c q+1 0} (q 1 = + si {q, c q c q+1 0} = ). 1. Si q 1 = + ou n2 j(2q 0 2q 1 1) 0 quand j, n ( n 1 2d 2 2j(δ(q 0)+K) ( S n,j+m E( W j+m,0 2 ) )) fidi (R m ) m Z m Z où R m variable de Rosenblatt. 2. Si q 1 < 1/(1 2d) et n2 j(2q 0 2q 1 1) quand j, n (n ( 1 2d 2 2 j(δ(q 1)+δ(q 1 +1)+2K) S n,j+m E W j+m,0 2)) fidi (G m ) m m Z où G m variable aléatoire gaussienne. 3. Si q 1 < 1/(1 2d) et n2 j(2q 0 2q 1 1) C 0 > 0, quand j, n, S n,j asymptotiquement combinaison d une variable de Rosenblatt et d une variable gaussienne.

100 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux.

101 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux. Comportement asymptotique du scalogramme lié au rang d Hermite de G mais aussi à un autre indice q 1.

102 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux. Comportement asymptotique du scalogramme lié au rang d Hermite de G mais aussi à un autre indice q 1. Quantité n2 j(2q 0 2q 1 1) : moyen pour comparer les deux renormalisations possibles.

103 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux. Comportement asymptotique du scalogramme lié au rang d Hermite de G mais aussi à un autre indice q 1. Quantité n2 j(2q 0 2q 1 1) : moyen pour comparer les deux renormalisations possibles. Cas q 0 = 1 à part (travail en cours).

104 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +.

105 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +. Premier cas du théorème. Quand n, j, S n,j asymptotiquement Rosenblatt.

106 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +. Premier cas du théorème. Quand n, j, S n,j asymptotiquement Rosenblatt. Cas q 0 = 1: notre théorème ne peut être appliqué. Scalogramme S n,j asymptotiquement gaussien (connu).

107 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +. Premier cas du théorème. Quand n, j, S n,j asymptotiquement Rosenblatt. Cas q 0 = 1: notre théorème ne peut être appliqué. Scalogramme S n,j asymptotiquement gaussien (connu). Cas q 0 = 2 : processus de Rosenblatt.

108 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0.

109 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0. Comportement asymptotique de S n,j depend de la limite de 2 j n, quand j, n.

110 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0. Comportement asymptotique de S n,j depend de la limite de 2 j n, quand j, n. Coefficients d ondelettes de Y : W j,k = W (q 0) j,k + W (q 0+1) j,k, où W (q 0) j,k, W (q 0+1) j,k dans chaos d ordre q 0 et q

111 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0. Comportement asymptotique de S n,j depend de la limite de 2 j n, quand j, n. Coefficients d ondelettes de Y : W j,k = W (q 0) j,k + W (q 0+1) j,k, où W (q 0) j,k, W (q 0+1) j,k dans chaos d ordre q 0 et q ( Wj,k 2 = [W (q 0) j,k ]2 + [W (q 0+1) j,k ] 2) ( ) + 2W (q 0) j,k W (q 0+1) j,k.

112 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt.

113 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt. Terme [W (q 0+1) j,k ] 2 asymptotiquement négligeable.

114 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt. Terme [W (q 0+1) j,k ] 2 asymptotiquement négligeable. Terme W (q 0) j,k W (q 0+1) j,k asymptotiquement gaussien.

115 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt. Terme [W (q 0+1) j,k ] 2 asymptotiquement négligeable. Terme W (q 0) j,k W (q 0+1) j,k asymptotiquement gaussien. Les trois cas envisagés dans le théorème peuvent se produire.

116 Travail en cours Cas q 0 = 1 à faire.

117 Travail en cours Cas q 0 = 1 à faire. Quatre termes à comparer : deux termes gaussiens, un terme dans le chaos d ordre 2 et un terme qui vit dans le chaos d ordre q m0 1 où q m0 = inf {q, q 1 2 et c q c 1 0}.

118 Travail en cours Cas q 0 = 1 à faire. Quatre termes à comparer : deux termes gaussiens, un terme dans le chaos d ordre 2 et un terme qui vit dans le chaos d ordre q m0 1 où q m0 = inf {q, q 1 2 et c q c 1 0}. Variance empirique peut donc être asymptotiquement dans un chaos d ordre supérieur à 2.

119 Bibliographie P.Flandrin.On the spectrum of FBM. IEEE Trans.Inf.Theory IT 35/ (1989) J.M. Bardet and C. Tudor. A wavelet analysis of the Rosenblatt process: chaos expansion and estimation of the self-similarity parameter. To appear in Stoch.Proc.Appl.(2010). M.Clausel, F.Roueff, M.S.Taqqu, C. Tudor. Large scale behavior of wavelet coefficients of non-linear subordinated processes with long memory. Submitted. M.Clausel, F.Roueff, M.S.Taqqu, C. Tudor. Asymptotic behavior of the scalogram of a non linear time series. In preparation.

Détection de ruptures offline et online pour des processus causaux

Détection de ruptures offline et online pour des processus causaux Détection de ruptures offline et online pour des processus causaux Travaux avec W. Kengne (Paris 1, Yaoundé) et O. Wintenberger (Paris IX) Jean-Marc Bardet bardet@univ-paris1.fr Trimestre du Laboratoire

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

Plus en détail

Modélisation des fréquences cardiaques instantanées durant un marathon et estimation de leurs paramètres fractals

Modélisation des fréquences cardiaques instantanées durant un marathon et estimation de leurs paramètres fractals Journal de la Société Française de Statistique Volume 150, numéro 1, 2009 Modélisation des fréquences cardiaques instantanées durant un marathon et estimation de leurs paramètres fractals Jean-Marc Bardet

Plus en détail

Modélisation de séries financières par un modèle multifractal. Céline Azizieh

Modélisation de séries financières par un modèle multifractal. Céline Azizieh Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,

Plus en détail

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Introduction à la modélisation financière en temps continue & Calcul Stochastique

Introduction à la modélisation financière en temps continue & Calcul Stochastique Introduction à la modélisation financière en temps continue & Calcul Stochastique Mireille Bossy INRIA pour le MASTER IMAFA à Polytech Nice Sophia Antipolis 16 novembre 213 2 Cours de maths financières

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Génération de textures comme champs aléatoires et détection de l anisotropie

Génération de textures comme champs aléatoires et détection de l anisotropie Génération de textures comme champs aléatoires et détection de l anisotropie Préparé par : Kévin Polisano kevin.polisano@ensimag.fr Encadré par : Valérie Perrier Marianne Clausel valerie.perrier@imag.fr

Plus en détail

Équation de Langevin avec petites perturbations browniennes ou

Équation de Langevin avec petites perturbations browniennes ou Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

1 Introduction 1 1.1 Contexte de l étude... 1 1.2 Contributions de ce travail... 3

1 Introduction 1 1.1 Contexte de l étude... 1 1.2 Contributions de ce travail... 3 Table des matières Introduction. Contexte de l étude....................................2 Contributions de ce travail............................... 3 2 Signaux aléatoires à densité de probabilité à queue

Plus en détail

Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard

Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard Université Paris Est Créteil (France) Collaboration avec: Patrice Abry CNRS, Laboratoire de Physique, ENS

Plus en détail

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Séries chronologiques

Séries chronologiques Université Paris-Sud Master Ingénierie Mathématiques, deuxième année Année scolaire 2010 2011 Séries chronologiques Volume 1: cours et exercices Responsable des cours: Michel Prenat Responsables des travaux

Plus en détail

Integrale de Wiener par rapport au mouvement brownien multi-fractionnnaire

Integrale de Wiener par rapport au mouvement brownien multi-fractionnnaire Integrale de Wiener par rapport au mouvement brownien multi-fractionnnaire L.P.M.A Universite Paris VI L.M.A.S Ecole Centrale Paris 9 eme Colloque des jeunes probabilistes et statisticiens Le Mont-Dore

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Fractales? Cours de DEA SIPT P.O. Amblard

Fractales? Cours de DEA SIPT P.O. Amblard Fractales? Cours de DEA SIPT P.O. Amblard 1 Vraie,... ou fausse? Paysages... 3 Les termites se promènent... et les plantes... 4 Un peu de turbulence... 5 Chapter 1 Introduction aux fractales 1.1 Mesurer

Plus en détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Probabilités III Introduction à l évaluation d options

Probabilités III Introduction à l évaluation d options Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Tavakoli, Shahin Fourier analysis of functional time series, with applications to DNA... 2014

Tavakoli, Shahin Fourier analysis of functional time series, with applications to DNA... 2014 resultats sont ensuite utilises pour construire des estimateurs des operateurs de densite spectrale bases sur des versions lissees du periodogramme, le generalisation fonctionnelle de la matrice de periodogramme.

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

UNIVERSITÉ PARIS I - PANTHÉON SORBONNE U.F.R. DE MATHEMATIQUES ET INFORMATIQUE THÈSE DE DOCTORAT. Présentée par Imen KAMMOUN

UNIVERSITÉ PARIS I - PANTHÉON SORBONNE U.F.R. DE MATHEMATIQUES ET INFORMATIQUE THÈSE DE DOCTORAT. Présentée par Imen KAMMOUN UNIVERSITÉ PARIS I - PANTHÉON SORBONNE U.F.R. DE MATHEMATIQUES ET INFORMATIQUE THÈSE DE DOCTORAT Présentée par Imen KAMMOUN Pour obtenir le grade de Docteur en sciences Spécialité: Mathématiques appliquées

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 7 : Intégration sur un intervalle quelconque Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction

Plus en détail

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

Asymétrie des rendements et volatilité multifractale

Asymétrie des rendements et volatilité multifractale Asymétrie des rendements et volatilité multifractale Emmanuel Bacry 1, Laurent Duvernet 2, Jean-François Muzy 3 Séminaire du Labex MME-DII 26 février 2013 1. CNRS École Polytechnique 2. Univ. Paris-Ouest

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : Rappels collège/seconde Partie STAV 1/3 Partie STAV 2/3 Partie STAV

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves

Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves Exemple 7.7 : Modèles multiniveaux de croissance expliquant le soutien social perçu par les élèves Modèle 1 (modèle vide) : GET FILE='C:\Users\Desktop\donnees stats\soutien.sav'. DATASET ACTIVATE Ensemble_de_données2.

Plus en détail

NOUVELLES MESURES DE DÉPENDANCE POUR

NOUVELLES MESURES DE DÉPENDANCE POUR NOUVELLES MESURES DE DÉPENDANCE POUR UNE MODÉLISATION ALPHA-STABLE. Bernard GAREL & Bernédy KODIA Institut de Mathématiques de Toulouse et INPT-ENSEEIHT Xèmmes Journées de Méthodologie Statistique de l

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

1 - INTERPOLATION. J-P. Croisille. Semestre S7, master de mathématiques M1, année 2008/2009. Université Paul Verlaine-Metz

1 - INTERPOLATION. J-P. Croisille. Semestre S7, master de mathématiques M1, année 2008/2009. Université Paul Verlaine-Metz 1 - INTERPOLATION J-P. Croisille Université Paul Verlaine-Metz Semestre S7, master de mathématiques M1, année 2008/2009 1- INTRODUCTION Théorie de l interpolation: approximation de f(x) par une fonction

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.

Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Estimation consistante des paramètres d un. modèle non linéaire pour des données. fonctionnelles discrétisées aléatoirement

Estimation consistante des paramètres d un. modèle non linéaire pour des données. fonctionnelles discrétisées aléatoirement Estimation consistante des paramètres d un modèle non linéaire pour des données fonctionnelles discrétisées aléatoirement Consistent estimation of parameters in a nonlinear model for functional data with

Plus en détail

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38 Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................

Plus en détail

Simulations de Monte Carlo

Simulations de Monte Carlo Simulations de Monte Carlo 2 février 261 CNAM GFN 26 Gestion d actifs et des risques Gréory Taillard GFN 26 Gestion d actifs et des risques 2 Biblioraphie Hayat, Sere, Patrice Poncet et Roland Portait,

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Introduction à l analyse spectrale. P. Granjon, J-L. Lacoume

Introduction à l analyse spectrale. P. Granjon, J-L. Lacoume Introduction à l analyse spectrale P. Granjon, J-L. Lacoume Table des matières Propriétés énergétiques des signaux 2. Signaux à temps et fréquence continus............................. 2.2 Signaux à temps

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 3: Espaces complets - Applications linéaires continues Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Prise en compte de la liquidité dans les algorithmes de trading

Prise en compte de la liquidité dans les algorithmes de trading Prise en compte de la liquidité dans les algorithmes de trading clehalle@cheuvreux.com Resp. de la Recherche Quant., Atelier Trading & Micro Structure 10 décembre 2008 Contenu La liquidité en Europe Les

Plus en détail

PROCESSUS ALEATOIRES :

PROCESSUS ALEATOIRES : EcoledesMinesdeSaint Etienne PROCESSUSALEATOIRES: MARTINGALES,MOUVEMENTBROWNIEN,CALCULSTOCHASTIQUE Exercices Janvier2009 OlivierRoustant Processusaléatoires,calculstochastique:exercicesENSM SE2009 MOUVEMENTBROWNIEN

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Ondelettes complexes pour l analyse des lois d échelles

Ondelettes complexes pour l analyse des lois d échelles Master des Sciences de la Matière École Normale Supérieure de Lyon Université Claude Bernard Lyon STAGE 5-6 LOISEAU, Patrick ème année Option Physique Ondelettes complexes pour l analyse des lois d échelles

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

Application des Ondelettes aux Signaux Fractales. Andrei Doncescu LAAS-CNRS

Application des Ondelettes aux Signaux Fractales. Andrei Doncescu LAAS-CNRS Application des Ondelettes aux Signaux Fractales Andrei Doncescu LAAS-CNRS Les Fractales n Définition Inachevée des fractales Fractal, ale, als : adj.

Plus en détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

Université Joseph Fourier MAT231 2008-2009

Université Joseph Fourier MAT231 2008-2009 Université Joseph Fourier MAT231 2008-2009 mat231-exo-03.tex (29 septembre 2008) Feuille d exercices n o 3 Exercice 3.1 Soit K un corps commutatif et soit {P 0, P 1,... P n } une famille de polynômes de

Plus en détail

Identification parcimonieuse d un système non-linéaire en régime forcé : mesure, transformée de Hilbert-Huang et a priori.

Identification parcimonieuse d un système non-linéaire en régime forcé : mesure, transformée de Hilbert-Huang et a priori. Identification parcimonieuse d un système non-linéaire en régime forcé : mesure, transformée de Hilbert-Huang et a priori. P.-O. Mattei & M. Pachebat LMA le 15 novembre 2012 Plan de la présentation 1 Introduction

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures gaussiennes et espaces de Fock Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première

Plus en détail

Analyse de Séries Chronologiques. J.J. Daudin, C. Duby, S. Robin & P. Trécourt (INA-PG, Mathématiques)

Analyse de Séries Chronologiques. J.J. Daudin, C. Duby, S. Robin & P. Trécourt (INA-PG, Mathématiques) Analyse de Séries Chronologiques J.J. Daudin, C. Duby, S. Robin & P. Trécourt (INA-PG, Mathématiques) Mai 1996 2 TABLE DES MATIÈRES 3 Table des matières 1 Introduction 5 2 Etude de la partie déterministe

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en détail

Cours de mathématiques

Cours de mathématiques Cours de mathématiques Thomas Rey classe de première ES ii Table des matières 1 Les pourcentages 1 1.1 Variation en pourcentage............................... 1 1.1.1 Calcul d une variation............................

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens.

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. . Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. Benoîte de Saporta Université de Nantes Université de Nantes - 9 juin 2005 p. 1/37 Plan de l exposé 1.

Plus en détail

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Stéphane Chrétien & Franck Corset Université de Franche-Comté, UMR6623, Département Mathématiques 16 route

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Systèmes linéaires, Signaux aléatoires, bruits, statistique et probabilités

Systèmes linéaires, Signaux aléatoires, bruits, statistique et probabilités Signaux et graphes : terminologie Systèmes linéaires, Signaux aléatoires, bruits, statistique et probabilités Cours signaux et systèmes M1 physique Un signal décrit la relation entre un paramètre et un

Plus en détail

MÉMOIRE D HABILITATION

MÉMOIRE D HABILITATION MÉMOIRE D HABILITATION présenté à : l Université de Nantes pour obtenir l Habilitation à diriger des recherches Discipline : Mathématiques Appliquées par Frédéric Lavancier Contributions à l étude statistique

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

Cahier de vacances. Exercices PCSI - PC, Lycée Dupuy de Lôme

Cahier de vacances. Exercices PCSI - PC, Lycée Dupuy de Lôme Cahier de vacances Exercices PCSI - PC, Lycée Dupuy de Lôme Votre année de PCSI a été bien remplie et il est peu probable que l année de PC qui arrive vous paraisse plus facile. C est pourquoi, je vous

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme

Plus en détail

Modélisation de systèmes complexes et éléments de finance computationnelle

Modélisation de systèmes complexes et éléments de finance computationnelle Professeur Olivier BRANDOUY Modélisation de systèmes complexes et éléments de finance computationnelle Master Recherche (séance 6) 2009-2010 Olivier Brandouy - 2009/10-1 Plan de la séance 1. Faits stylisés,

Plus en détail

MATHEMATIQUES Option Economique

MATHEMATIQUES Option Economique Concours EDHEC 9 Classes Préparatoires MATHEMATIQUES Option Economique La présentation, la lisibilité, l'orthographe, la qualité de la rédaction, la clarté et la précision des raisonnements entreront pour

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Cours de terminale S Suites numériques

Cours de terminale S Suites numériques Cours de terminale S Suites numériques V. B. et S. B. Lycée des EK 13 septembre 2014 Introduction Principe de récurrence Exemple En Mathématiques, un certain nombre de propriétés dépendent d un entier

Plus en détail

Université de Montréal. Temps de Branchement du Mouvement Brownien Branchant Inhomogène. Jean-Sébastien Turcotte

Université de Montréal. Temps de Branchement du Mouvement Brownien Branchant Inhomogène. Jean-Sébastien Turcotte Université de Montréal Temps de Branchement du Mouvement Brownien Branchant Inhomogène par Jean-Sébastien Turcotte Département de mathématiques et de statistique Faculté des arts et des sciences Mémoire

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Modélisation et Simulation

Modélisation et Simulation Cours de modélisation et simulation p. 1/83 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation

Plus en détail

Approximation polynomiale de la densité de probabilité

Approximation polynomiale de la densité de probabilité Approximation polynomiale de la densité de probabilité Applications en assurance P.O. Goffard Axa France - Institut de Mathématiques de Marseille I2M Aix-Marseille Université Soutenance de thèse de doctorat

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

Caractérisation multidimensionnelle de la microarchitecture osseuse

Caractérisation multidimensionnelle de la microarchitecture osseuse Caractérisation multidimensionnelle de la microarchitecture osseuse Rachid JENNANE Rachid.Jennane@univ-orleans.fr Institut PRISME Polytech Orléans Université d Orléans Ecole Polytechnique de l'université

Plus en détail