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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Théorie spectrale. Stéphane Maingot & David Manceau

Théorie spectrale. Stéphane Maingot & David Manceau Théorie spectrale Stéphane Maingot & David Manceau 2 Théorie spectrale 3 Table des matières Introduction 5 1 Spectre d un opérateur 7 1.1 Inversibilité d un opérateur........................... 7 1.2 Définitions

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

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

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

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

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

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

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction du Baccalauréat S Amérique du Nord mai 2007 Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n

Plus en détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

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

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

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

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

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

BNP Paribas, CIB, Global Equity and Commodity Derivatives Research.

BNP Paribas, CIB, Global Equity and Commodity Derivatives Research. BNP Paribas, CIB, Global Equity and Commodity Derivatives Research. BNP PARIBAS jouit d une dimension internationale sur le marché des produits dérivés sur actions. Notre équipe de Recherche et Développement

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

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

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration

Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration Quelques modèles financiers utilisant les EDSR et EDSPR avec grossissement de filtration Anne EYRAUD-LOISEL ISFA, Université Lyon 1 Séminaire Lyon - Le Mans 3 Mai 2012, Le Mans 1 / 40 Outline 1 Problèmes

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier

Dan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration

Plus en détail

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Utilisation d espaces de Sobolev fractionnaires en reconstruction tomographique d objets binaires

Utilisation d espaces de Sobolev fractionnaires en reconstruction tomographique d objets binaires Utilisation d espaces de Sobolev fractionnaires en reconstruction tomographique d objets binaires M. Bergounioux & E. Trélat MAPMO Université d Orléans Journées du GDR - MOA Porquerolles 19-21 Octobre

Plus en détail

X-ENS PSI - 2009 Un corrigé

X-ENS PSI - 2009 Un corrigé X-ENS PSI - 009 Un corrigé Première partie.. Des calculs élémentaires donnent χ A(α) = χ B(α) = X X + et χ A(α)+B(α) = X X + 4α + 4 On en déduit que Sp(A(α)) = Sp(B(α)) = {j, j } où j = e iπ 3 Sp(A(α)

Plus en détail

Séries Temporelles Avancées Polycopié de Cours

Séries Temporelles Avancées Polycopié de Cours 1 Université Paris Ouest Nanterre Master EIPMC Séries Temporelles Avancées Polycopié de Cours Laurent FERRARA 1 1 EconomiX - Université Paris Ouest Nanterre et Banque de France. Email : laurent.ferrara@u

Plus en détail

Martingales dans l étude de quelques arbres aléatoires

Martingales dans l étude de quelques arbres aléatoires Martingales dans l étude de quelques arbres aléatoires Brigitte CHAUVIN Brigitte.Chauvin@math.uvsq.fr Monastir, 18-20 Octobre 2010 Contents 1 Introduction 1 2 Arbres binaires de recherche 2 2.1 Définitions.....................................

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Les mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des

Plus en détail

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

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

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en détail

Espérance conditionnelle

Espérance conditionnelle Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle

Plus en détail

La fonction logistique f: xa rx( 1 x)

La fonction logistique f: xa rx( 1 x) TIPE Math 97 (Version 5 pages) Letouzey Pierre La fonction logistique f: xa rx( x) Quelques résultats sur les suites récurrentes associées x x 0 n+ [ 0, ] = f ( x ) n / Pourquoi cette fonction? C est dans

Plus en détail

Économetrie non paramétrique I. Estimation d une densité

Économetrie non paramétrique I. Estimation d une densité Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer

Plus en détail

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.

Probabilités II Étude de quelques lois. Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec. Probabilités II Étude de quelques lois Master Gestion de Portefeuille IAE Gustave Eiffel Jacques Printems printems@u-pec.fr 2012 2013 1 1 Lois discrètes. On considère des v.a. ne prenant que des valeurs

Plus en détail

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de

Plus en détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - CHAINES DE MESURES CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité dans les espaces de Lebesgue et mesures de Radon finies Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème... TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................

Plus en détail

Plan. Codes Correcteurs d Erreurs Les codes cycliques. Division Euclidienne. Définition. Exercice. Marc Chaumont. Exercice.

Plan. Codes Correcteurs d Erreurs Les codes cycliques. Division Euclidienne. Définition. Exercice. Marc Chaumont. Exercice. Plan Codes Correcteurs d Erreurs Les codes cycliques November 12, 2008 1 2 Définition Division Euclidienne Un polynôme à coefficients dans F 2 est une fonction de la forme P(X ) = a 0 + a 1 X + a 2 X 2

Plus en détail

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES

Plus en détail

Introduction à la statistique non paramétrique

Introduction à la statistique non paramétrique Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Statistique descriptive et prévision

Statistique descriptive et prévision Statistique descriptive et prévision Année 2010/2011 L. Chaumont Contents 1. Étude d une variable 5 1.1. Définitions................................ 5 1.2. Représentations graphiques usuelles................

Plus en détail

Examen du cours de Mesures de risque en finance

Examen du cours de Mesures de risque en finance Examen du cours de Mesures de risque en finance Mercredi 15 Décembre 21 (9h-11h) Seul document autorisé: une feuille A4 manuscrite recto-verso. Important : rédiger sur une même copie les exercices 1 et

Plus en détail

TD1 Signaux, énergie et puissance, signaux aléatoires

TD1 Signaux, énergie et puissance, signaux aléatoires TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en détail

Capes 2002 - Première épreuve

Capes 2002 - Première épreuve Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série

Plus en détail