Estimation par ondelettes dans les modèles partiellement linéaires
|
|
- Delphine Durand
- il y a 8 ans
- Total affichages :
Transcription
1 Uiversité Joseph Fourier- Greoble I École Doctorale «Mathématiques, Scieces et Techologie de l Iformatio, Iformatique» THÈSE pourobteirlegradede DOCTEUR DE L UNIVERSITÉ JOSEPH FOURIER Spécialité: Mathématiques Appliquées préparée au Laboratoire Jea Kutzma présetée et souteue publiquemet par Irèe Gaaz le 7 décembre 27 Estimatio par odelettes das les modèles partiellemet liéaires Compositio du Jury: M. Aestis ANTONIADIS Uiversité Greoble I Directeur de thèse M. Jalal FADILI ENSICAEN Examiateur Mme Irèe GIJBELS Kathioleke Uiversiteit Leuve Rapportrice M. Aatoli IOUDITSKI Uiversité Greoble I Présidet Auvudesrapportsde: Mme Irèe GIJBELS Kathioleke Uiversiteit Leuve Mme Domiique PICARD Uiversité Paris VII
2
3 Remerciemets Mes remerciemets s adresset e premier lieu à Aestis Atoiadis, pour sa boe humeurcostateetses «salutlabelle»souriats.savisiogééraledelarechercheetsa cofiaceemescapacitésotcotribuéàmefaireaimercestroisasderecherche.je le remercie chaleureusemet pour so cotact costructif si gééreux sur le pla humai comme scietifique. Je remercie égalemet Irèe Gijbels et Domiique Picard d avoir rapporter cette thèse et d avoir lu si attetivemet le mauscrit. Leurs remarques costructives ot permis d améliorer ce travail et doet de ouvelles perspectives de prologatio. Je suis aussi recoaissate evers Aatoli Iouditski qui m a fait l hoeur de présider mojury.merciefiàjalalfadilipouravoiracceptéd êtremembredemojuryetpour avoirsuivimotravailaulogdecestroisas. Je e peux passer outre das ces remerciemets tous les thésards du labo ou assimilés qu ilm aétédoéderecotreraucoursdecestroisas.jedéplorelemaqued exhaustivitédesomscités:quelesoubliésmepardoet... Jepeseepremierlieuà Carie, pour les allers-retours etre les bureaux et les discussios qui s éteriset. Cette thèseaaussiétérythméeparlaprofusiodesjeuxdemotsdeyaetlessoiréesjeuxdes Oliviers: Olivier Grumphh qui a m a fait découvrir le Carom et Olivier l espagol qui e est pas u et mériterait plutôt le sportif. Je oublie pas Olivier le parisie quimotaitparfoisàgreoblefaireupeud odelettesetdeskideradoée.kop Khu kha Pramote, pour ces réflexios politiques et ces itermèdes musicaux das le bureau.merciàtousceuxquiotégaillédesiombreusespausesetsoiréesaucoursde cettethèse:audelatoulousaieetvicetavecsesboutades,claireetcyrillelespros de l aïkido, Basile avec sa guitare... Merci aux thésards et stagiaires dot les discussios otaimélespauses:toutelasalle3quiasibieaccueillilastateusedurez-de-chaussée, Julie et ses grads sourires, Robi, Lauret T., Adrie, Mélaie, Emilie, Damie... Merci efiàtousceuxdulaboquim otoffertcebeauvélo! Je remercie aussi ma famille d avoir été présete durat ces aées, jamais bie loi (mêmeàl autreboutdumode)ettoujoursprêteàfairedubaby-sittig;o).etmerci àtousles ouvriers delafamilleetdelabellefamille,ombreux,d avoircotribuéàce quejefasseplusdestatistiquequedeplâtreoudeplomberieduratcesdeuxderières aées. MerciàEtieed êtrelàtoutsimplemet.etd avoirétéupetitgarçosisouriatetsi calme. Merci à Christia, pour tout.
4
5 Table des matières Itroductio 1 1 Le modèle partiellemet liéaire Umodèlesemi-paramétrique Pourquoicemodèle Exemplesd applicatio Iférecestatistique Estimatioparlesmoidrescarréspéalisés LarégressiopartielledeSpeckma(1988) Rappels sur les odelettes et leur usage e régressio Aalysemultirésolutioetodelettes Approximatiosdefoctios Odelettespériodiques EspacesdeBesov Trasformatioeodelettes Ecriturematricielle Algorithmepyramidal Régressioavecuplad observatioéquidistat Estimatiosliéaires Estimatiosoliéaires:seuillagedescoefficiets Régressioavecuplad observatioo-équidistat Aperçudedifféretesapproches Hypothèsessurleplad observatio Approchethéorique Approchepratique Du seuillage à l estimatio robuste Idetifiabilitéettrasforméeeodelettes i
6 TABLE DES MATIÈRES 3.2 Critèredesmoidrescarréspealisés Coditiosdupremierordre SeuillagedouxetestimateurdeHuber Versd autresm-estimateurs Propriétés asymptotiques des estimateurs Hypothèses Propriétésasymptotiques Casduseuillagedouxetdel estimateurdehuber ExempleissudeFadilietBullmore(25) Estimatiodelavariace Preuves Cosistacedeˆβ avecleseuillagedoux Cosistacedeˆβ aveclapéalitéquadratique Estimatiodelapartiefoctioelle Quelquesalgorithmes Estimatiocojoitedesparamètres Backfittig Deuxalgorithmespourleseuillagedoux Approchesemi-quadratique ARTUR,oulespoidsmodifiés LEGEND,oulesrésidusmodifiés Simulatios et u exemple sur doées réelles Comparaisodesalgorithmespourleseuillagedoux Exemple1:Foctiosiusoïdale Exemple2:Foctioliéaireparmorceaux Exemple3:Dimesio Comparaisodesdifféretsseuillages Validatiocroiséepourlapéalitéquadratique Exemple Exemple Exemple Applicatio à l étude de doées réelles issues d ue IRM foctioelle Descriptiodesdoées Modélisatioparumodèlepartiellemetliéaire Cas de plas d observatios aléatoires 125 ii
7 TABLE DES MATIÈRES 7.1 Priciped estimatio Simulatiosavecuplad observatiosaléatoire Modèleoparamétrique Modèlepartiellemetliéaire Coclusio et perspectives 155 Bibliographie 157 iii
8
9 Notatios R k, N k, Z k M,p (R) Esembledesk-upletsderéels,d etiersetd etiersrelatifs. Esemblesdesmatricesdetaille pàcoefficietsréels. P, E, Var Probabilité, Espérace, Variace. v.a., v.a. i.i.d. variable aléatoire, v.a. idépedates et idetiquemet distribuées. [x] Partie etière du ombre x. 1 E Foctioidicatricedel esemblee. e,e R k Normel 2 d uvecteure.sie = (e 1...e k ) T,alors e = ( k i=1 e2 i ) 1/2. A,A M,p (R) NormedeFrobeiusd uematricea.siaestdetermegéérala i,j, ( 1/2. alors A = i,j ai,j) 2 A T,A 1 P MatricetrasposéeetmatriceiversedelamatriceA. Covergece e probabilité u = (v ),u R k,v R i =1,...,k, c i >, u i <c i v. u = (v ),u R k,v R i =1,...,k,lim u i /v =. U = P (v ),U v.a.àvaleursdas R k,v R U = P (v ),U v.a.àvaleurs das R k,v R i =1,...,k, δ >, t i,δ >, P(v 1 U i >t i,δ ) δ. i =1,...,k,v 1 U P. L p (I) = {f:i R, f p < } W s,s N = {f:i R,I R,s-foiscotiûmetdérivable, f (s) p < }. Λ α (M), α 1 = {f:i R,I R (x,y) I 2, f(x) f(y) M x y α }. Λ α (M), α >1 = {f : I R,I R[α]-foiscotiûmetdérivable,f ([α]) Λ α [α] (M)}. SNR RapportSigalsurBruit:SiY R estuvecteurobservéavecu bruitd écart-type σ,snr = Y σ.
10
11 Itroductio Le problème de la régressio statistique cosiste à aalyser l ifluece de variables dites explicativesx,x R p,suruevariabley.lorsqu aucuaprioriquatàlaformede la relatio explicative est possible, la modélisatio la plus adaptée est le modèle o paramétrique. Celui-ci coste à supposer que les variables sot régies par l équatio y i =g(x i ) + ε i, i =1,...,, leterme ε i représetatubruit.néamois,cemodèlesouffred umaqued iterprétabilité et les techiques d estimatio o paramétriques ot des performaces moidres que das u cadre paramétrique. Ce derier poit, cou e gééral sous l appélatio fléaudeladimesio,aétémiseévideceparibragimovethas Miskii(198)àl aidede la otio de vitesse asymptotique miimax. Leurs travaux ot icité à développer, das les derières déceies, des modèles dits semi-paramétriques. L idée d u modèle semi-paramétrique est d émettre des hypothèses quat à la forme delafoctiogquel ochercheàestimer.al aidedeceshypothèses,uereformulatio du modèle est réalisée permettat de réduire la dimesio des variables explicatives iterveat das l estimatio foctioelle. Parmi la classe de modèles résultat de ce procédé se trouvet, de maière o exhaustive, le modèle additif, le modèle à directio révélatrice ou ecore le modèle partiellemet liéaire. Le but du préset travail est d apporter ue cotributio à l étude de ce derier modèle, e s itéressat à l applicatio de techiques o liéaires d estimatio par odelettes das celui-ci. Le modèle partiellemet liéaire est préseté das le premier chapitre. Ce modèle s écrit sous la forme y i =X T i β +f(t i) + ε i, i =1,...,, avecx i covariablesde R p et,daslecadredecettethèse,t i R.Ilestaisicostituéde deux parties distictes: ue partie liéaire et ue partie foctioelle. La dimesio des 1
12 INTRODUCTION variables explicatives de la partie foctioelle état ici l uité, le problème de fléau de la dimesio cité plus haut est amoidri comparativemet à la versio o paramétrique. CemodèleacouuessorimportatsuiteauxtravauxdeEgleetal.(1986),quimettaiet otammet e exergue la capacité de modélisatio offerte. Nous ous itéressos plus particulièremet aux procédures d estimatio par moidres carrés péalisés développées das les aées 8. La majorité des approches effectuées das ce modèle cosiste à itroduire des techiques d iterpolatios par des splies ou des estimateurs à oyaux afi d estimer la partie foctioelle du modèle. Les deux articles fodametaux sur ce modèle sot ceux de Rice(1986) et Speckma (1988). Rice a motré que lorsque les variables explicatives respectivemet de la partie liéaire du modèle et de la partie foctioelle, X et T, étaiet corrélées, alors ue estimatiooptimaleetduvecteurderégressio βetdelafoctiof étaitpasréalisable. (La otio de corrélatio etre les variables utilisée ici est défiie précisémet das le chapitre.) L auteur aboutit à la coclusio que pour atteidre la vitesse optimale das l estimatio du vecteur de régressio, u sous-lissage de l estimatio foctioelle est écessaire. Les travaux de Rice ot egedré de ombreuses réflexios sur ce modèle. Parmi celles-ci, ous pouvos citer Speckma, qui retrouve des coclusios similaires. Ce derier propose ue autre approche, dite de régressio partielle, permettat de réduire les biais das l estimatio, et résolvat le problème du choix du paramètre de lissage. Les deux auteurs s accordet aussi pour déocer les mauvais résultats que peut egedrer ue procédure de validatio croisée das ce cotexte. Das u modèle o paramétrique, la projectio sur ue base d odelettes associée à des techiques de seuillage a permis le développemet d estimateurs adaptatifs quat à la régularité de la foctio estimée. Ces procédés d estimatio présetet l avatage d offrir des résultats quasi-miimax sur ue large gamme de foctios mais aussi de passer outre ue évetuelle validatio croisée pour détermier le paramètre de lissage. C est pourquoi ce travail est motivé par l itroductio des schémas d estimatio par odelettes das le modèle partiellemet liéaire. E coséquece, le deuxième chapitre propose u bref rappel sur la otio d aalyse multirésolutio et d odelette. Nous redoos aussi la défiitio d espace de Besov. Das u secod temps, ce chapitre présete les procédures d estimatio das u modèle de régressio o paramétrique lorsque les observatios sot réalisées e des poits équidistats de l itervalle uité. Le seuillage des coefficiets d odelette permet de costruire des estimateurs quasi-miimax sur des boules de Besov, tout e état adaptatifs relativemet à la régularité de la foctio estimée. La gééralisatio de ces schémas 2
13 INTRODUCTION d estimatio au cas d observatios distribuées selo u pla aléatoire fait actuellemet ecore l objet de ombreux travaux. Après avoir succitemet résumé quelques articles relatifs à ce domaie, ous ous attarderos pricipalemet sur la procédure d estimatio proposée par Kerkyacharia et Picard(24), état doé que celle-ci semble la plus adaptée à l applicatio das u modèle partiellemet liéaire. Le Chapitre 3 cocere l itroductio des odelettes et du seuillage des coefficiets das u modèle partiellemet liéaire. Nous ous restreigos au cadre d u pla d observatio équidistat de la partie foctioelle. E s appuyat sur les travaux de Atoiadis et Fa(21), ous élaboros ue procédure des moidres carrés péalisés das laquelle la péalisatio, portat sur les coefficiets d odelettes, permet d aboutir au seuillage souhaité. Nous établissos l équivalece etre la miimisatio du critère des moidres carrés péalisés et des estimatios successives du vecteur des paramètres de régressio β par u M-estimateur et de la partie foctioelle par odelettes avec seuillage des coefficiets. Grâce à ces résultats, ous pouvos iterpréter les estimateurs comme suit: 1.Levecteurdeparamètres βestévaluéparueprocéduredem-estimatiodasle modèle de régressio liéaire de y par X après projectio sur ue base d odelette. Il est doc estimé sas teir compte de la présece d ue partie foctioelle das le modèle. Cela reviet à itégrer das le bruit les coefficiets d odelettes de la partie foctioelle. 2. La foctio f est l estimatio par odelettes avec le seuillage désiré das la régressiooparamétriquedey Xˆβ,l estimateur ˆβ ayatétécalculéàl étape précédete. L origialité de otre travail réside aussi das le parallèle motré etre les seuillages réalisés à l étape 2 et les M-estimateurs associés das l étape 1 ci-dessus. Par exemple le seuillage doux est associé au M-estimateur de Huber, le seuillage SCAD à celui de Hampel ou ecore le seuillage fort à la moyee troquée. Aisi, les M-estimateurs obteus sot des estimateurs usuels itroduits das les aées 8 par la théorie de l estimatio robuste. De plus, le fait d avoir ue équivalece avec ue procédure d estimatio e deux étapes ouvre des perspectives de développemet itéressates. Outre la costructio d algorithmes estimat successivemet et o cojoitemet les paramètres(cf. Chapitre 5), elle offre la possibilité d approfodir le comportemet asymptotique des estimateurs. Ceci fait l objet du Chapitre 4. Das le quatrième chapitre, ous ous itéressos plus précisémet à deux péalisatios daslecritèredesmoidrescarréspéalisés:lapéalisatiol 1,meatauseuillagedoux 3
14 INTRODUCTION etaum-estimateurdehuber,etuepéalisatioparueormedesobolev,deforme quadratique, meat à u lissage usuel et à u estimateur des moidres carrés podérés. Pour chacue de ces procédures, ous étudios les propriétés asymptotiques des estimateurs. Das les deux cas cosidérés, l estimateur de la partie foctioelle a u comportemetquasi-miimaxeprobabilitépourlaormel 2 surdesespacesdebesov.cepedat, e l absece d hypothèse quat à la structure des variables, la vitesse de covergece de l estimateur de la partie liéaire est d ordre o paramétrique, ce qui est pas satisfaisat. Lorsque ous supposos que les covariables ot ue structure similaire à celle cosidérée par Rice(1986) das ce cotexte, ous obteos que les estimateurs du vecteur de régressio β coverget à ue vitesse quasi-miimax. Ces résultats sot doc cohérets avec ceux de Rice(1986). Le pricipal itérêt est que la procédure meat au seuillage doux offre u schéma adaptatif, permettat d éviter ue procédure de validatio croisée. Ce choix de péalisatio est doc particulièremet itéressat. Par ailleurs, ces estimateurs écessitet ue estimatio de la variace du bruit. Ue procédure basée sur ue décompositio QR de la matrice de régressio et sur le caractère creux des coefficiets d odelettes sur u espace de Besov est proposée das ce chapitre. LesChapitres5et6traitetdelamiseeoeuvredesestimateursdaslescasduseuillage doux,duseuillageduretduseuillageassociéàlapéalitéparueormedesobolev. Das le Chapitre 5, ous présetos les divers algorithmes qui serot appliqués das le Chapitre 6. Parmi ces algorithmes, ous pouvos distiguer ceux qui estimet cojoitemetlevecteurderégressio βetlafoctiofdeceuxreposatsurl estimatioedeux étapes établie au Chapitre 3 et évoquée plus haut. Le pricipal algorithme estimat simultaémet les paramètres est le Backfittig, déjà proposé par Fadili et Bullmore(25) das le même cotexte. Quat aux méthodes de calcul succesif des estimateurs, ous proposos deux algorithmes semi-quadratiques ARTUR et LEGEND issus de la théorie de la recoaissace robuste. Ces deux algorithmes peuvet par exemple être recotrés das Dahyot et Kokaram(24). Lors de la comparaiso sur des simulatios, il apparaît que le Backfittig est plus performat e terme de temps de calcul que les autres procédures. L algorithme LEGEND obtiet des résultats similaires avec u temps de calcul légèremet supérieur mais du même ordre de gradeur. Cocerat la qualité des résultats obteus, l estimatio du vecteur des paramètres de régressio liéaire est satisfaisate pour les seuillages fort et doux. Pour ces seuillages, l estimatio de la partie foctioelle doe de bos résultats pour le critère de l erreur quadratique moyee. Cocerat le seuillage issu d ue péalisatio par ue orme de Sobolev, ue procédure de validatio croisée est écessaire afi de 4
15 INTRODUCTION détermier le paramètre de lissage. L icovéiet est le sous-lissage probable egedré par u tel schéma, souligé par Rice(1986) et Speckma(1988). Les estimatios obteues sot de mois boe qualité et ous observos, etre autres, u sous-lissage de la partie foctioelle, ce qui cofirme à otre avis la préférece pour des schémas adaptatifs das u modèle partiellemet liéaire. NousavosparailleursétudiéefideChapitre6uexemplesurdesdoéesréelles, gracieusemet fouries par Dr. Fadili. Ces doées cosistet e trois sigaux obteus par Imagerie à Résoace Magétique foctioelle(irmf). L u des sigaux est issu d ue expériece avec des stimuli tadis que les deux autres sot des eregistremets de référece, où aucu stimulus a été réalisé. Das la modélisatio par u modèle partiellemet liéaire, la partie liéaire itègre des facteurs de uisace. La partie foctioelle résume doc l activité euroale sas le biais causé par ces uisaces. Cette modélisatio s avère peu covaicate e raiso pricipalemet du bruit importat, comparativemet aux modalités de la partie liéaire du modèle obteu. Le Chapitre 7 gééralise l étude au cas où la partie foctioelle est observée sur u pla aléatoire. Nous appliquos la procédure d estimatio de Kerkyacharia et Picard(24) exposée au Chapitre 2. Das ce chapitre, ous mettos e applicatio le schéma d estimatio proposé sur des simulatios. Pour cela, ous utilisos l algorithme élaboré par Vidakovic(22) permettat de calculer les valeurs des odelettes e des poits doés. Il apparaît que l estimateur choisi, bie qu ayat de boes propriétés asymptotiques théoriques, aboutit pas à des résultats satisfaisats e pratique. Le problème semble être lié au caractère aléatoire du pla d observatios qui à distace fiie etraîe ue ihomogééité das la répartitio des observatios etre les supports des odelettes. L alterative proposée pour la mise e oeuvre est celle de Cheseau et Willer(25). Les résultats obteus lors de l applicatio sur des simulatios sot satisfaisats pour ue large gamme de desités du pla des observatios. 5
16
17 CHAPITRE 1 LE MODÈLE PARTIELLEMENT LINÉAIRE Sommaire 1.1 Umodèlesemi-paramétrique Pourquoicemodèle Exemplesd applicatio Iférecestatistique Estimatioparlesmoidrescarréspéalisés LarégressiopartielledeSpeckma(1988) Ce premier chapitre présete les modèles partiellemet liéaires, qui fot l objet du préset travail. Outre leur formalisme, l itérêt de leur mise e oeuvre est souligé. Das u secod temps, ous évoquos quelques résultats théoriques quat à l iférece statistique das ces modèles. 1.1 U modèle semi-paramétrique Soiet (X 1...,X )et (T 1...,T )deuxéchatillosdecovariablesàvaleursrespectivemetdas R p et R q.etatdoéel observatiosur Rde (Y 1,...,Y ),ouscosidéros le modèle de régressio: y i =X T i β +f(t i) +U i, i =1,...,, (1.1) où (U 1,...,U )estuéchatilloaléatoireissudelaloiormalecetréedevariace σ 2. Sous forme matricielle, ous oteros: Y =Xβ +F(T) +U. 7
18 1.1. UN MODÈLE SEMI-PARAMÉTRIQUE LevecteurdebruitUestsupposéidépedatdesplasd observatioxett.ue dépedace etre les variables X et T peut être evisagée. Nous désigeros par la suite β lavaleurduvraiparamètre Pourquoi ce modèle Le modèle(1.1) fait partie de la classe des modèles semi-paramétriques. Le but de cette gammedemodèleestd offrirucompromisetrelemodèleliéaireetlemodèleoparamétrique. E effet, le modèle paramétrique et le modèle o paramétrique présetet tous deux des icovéiets. Le problème majeur du modèle paramétrique doit être cosidéré d u poit de vue de modélisatio; comme le souliget Egle et al.(1986), lemodèlederegressioesttropréducteuretepermetpasdepredreecomptetoutes les itéractios. Aisi, ils citet l exemple de l ifluece de la température sur la cosommatio d électricité: la relatio etre les variables e peut s exprimer sous ue forme liéaire, même après trasformatio des doées. Les outils o paramétriques, e e posat pas d hypothèses quat à la forme du lie explicatif etre les variables, devieet idispesables pour traiter u tel cas. Cepedat, la liberté de modélisatio qu offre le domaie o paramétrique a u coût: schématiquemet, pour estimer ue foctio f k-fois dérivable, la vitesse optimale est del ordrede k 2k+p,leparamètrepdésigatladimesiodesvariablesexplicatives. Tadisquedaslemodèlederégressioparamétrique,ellessotdel ordrede 1/2 quel que soit le ombre de variables explicatives. Il apparaît par coséquet utile de predre e compte la liéarité das les modèles, afi d augmeter la vitesse d estimatio. Ce costat, souvet recotré sous l expressio de fléau de la dimesio, a icité le développemet depuis les aées 8 d ue ouvelle gamme de modèles que sot les modèles semi-paramétriques. L idée de ces modèles est de combier les modèles o paramétriques et les modèles liéaires. Le modèle partiellemet liéaire que ous allos aborder ici est u des ombreux modèles semi-paramétriques existats. Ce modèle a été itroduit à otre coaissace par Gree et Yadell(1985) mais a particulièremet cou so essor après l article de Egle et al.(1986). La capacité de modélisatio de phéomèes divers aisi que les résultats satisfaisats d estimatio statistique das ce modèle ot cotribué à so développemet. L itérêt pricipal du modèle partiellemet liéaire est qu il permet de distiguer les relatios liéaires et les relatios o liéaires au sei d u même modèle. L idée est de 8
19 CHAPITRE 1. LE MODÈLE PARTIELLEMENT LINÉAIRE predreecomptel aprioriquel oaquatàlaliéaritédecertaiesrelatiosafide réduire le coût de l estimatio qu aurait u modèle o paramétrique, tout e gardat la complexité de modélisatio sous-jacete au modèle o paramétrique pour expliquer les autres relatios Exemplesd applicatio U premier exemple d applicatio de ce modèle au milieu idustriel est l étude de la cosommatio électrique e foctio de la température réalisée par Egle et al.(1986). Les auteurs veulet étudier l ifluece de la température sur la cosommatio électrique des méages. Ils expliquet cette cosommatio par u modèle partiellemet liéaire das lequel la partie liéaire itègre les effets du prix de l électricité, du reveu des méages, etc... Cette modélisatio permet doc d étudier la relatio etre la température et la cosommatio d électricité sas que cette étude soit biaisée par la présece des covariables de la partie liéaire. Ebiologie,opeutciterotammetlestravauxdeGreeetYadell(1985)quiaalyset l ifluece de la dose d u produit doé sur l hyperplasie de la voie biliaire des rats.lapréseced hyperplasieàlamortduratestexpliquéedemaièreliéaireparle logarithmedeladosereçue,lepoidsduratetsapositiodaslacage,etdemaièreo liéaireparl âgedelamort.ilestitéressatderemarquerquelarelatiosurlaquellese focalise l aalyse est ici liéaire, cotrairemet à l étude de Egle et al.(1986). Plus récemmet F. Meyer(23) puis Fadili et Bullmore(25) s itéresset à la modélisatio d u sigal issu d Imagerie à Résoace Magétique foctioelle par u modèle partiellemet liéaire. L idée est d itégrer das la partie liéaire du modèle des paramètres de uisace, afi de coserver das la partie foctioelle u sigal épuré. De tels sigaux serot étudiés au Chapitre 6. L évetail des domaies où ce modèle peut être appliqué est vaste. Hardle et al.(2) illustret so aptitude à modéliser des phéomèes das des domaies aussi variés que l idustrie,lafiace,labiologie...nousrevoyosàleurouvragepouruaperçuplus large des applicatios possibles. Sicemodèleprésetesouvetuitérêt,oestameésàseposerlaquestiodesavoir das quel cas il est adapté et quelles sot les variables correspodat respectivemet aux parties liéaire et foctioelle du modèle. A otre coaissace, seuls Che et Che 9
20 1.2. INFÉRENCE STATISTIQUE (1991) et Roger-Vial(23) ot abordé ce poit. Nous revoyos à leurs travaux pour plus de détails. 1.2 Iférecestatistique L objetduproblèmeestd estimerlevecteurdesparamètresderegressio β aisiquela foctiofauvudel observatiodestriplets (Y i,x i,t i ) i=1,...,. Parmi les techiques développées das l estimatio de la partie foctioelle das u modèle partiellemet liéaire, outre les splies et l estimatio à oyau, o peut citer aussi l estimatio liéaire locale(hamilto et Truog(1997)), l estimatio par la méthode des polyômes locaux(roger-vial(23)), l estimatio par séries orthogoales(doald et Newey(1994))... A titre de remarque, l applicatio des techiques de bootstrap a aussi étémiseeoeuvredascemodèleparhardleetal.(1999).maisous aborderospas ces travaux ici das u souci de cocisio. Ne pouvat préseter de maière exhaustive l esemble des approches cosidérées, ous ous itéressos plus particulièremet à l estimatio par miimisatio d u critère des moidres carrés péalisés aisi que l approche dite de régressio partielle de Speckma(1988), état doé que ous avos opté pour ue procédure similaire das ce travail Estimatio par les moidres carrés péalisés La première approche, proposée otammet par Gree et Yadell(1985), Egle et al. (1986) ou ecore Che et Shiau(1991), est l estimatio reposat sur u critère des MoidresCarrésPéalisés.Lesestimatiosde β etfsotobteuesemiimisatucritère delaforme: (Y i Xi T β f(t i)) 2 + λpe(f), (1.2) i=1 oùpe(f)estuidicateurdelarégularitédef.l idéed utelcritèreestd itroduire la régularité de la partie foctioelle de sorte que la foctio obteue e colle pas aux doées mais de la cotraidre à être suffisamet lisse. Par ailleurs, l itroductio d ue péalité est justifiée par la théorie bayésiee, comme le fot remarquer otammet Gree et Yadell(1985) et Heckma(1986). Typiquemet,lapéalitéchoisieestdelaformePe(f) = (f (m) ) 2 ;c estlechoixpar 1
21 CHAPITRE 1. LE MODÈLE PARTIELLEMENT LINÉAIRE exemple de Heckma(1986), Rice(1986) ou Che(1988). Cette péalité correspod e faitàsupposerquefappartietàuespacedesobolev { } Wm:= 2 gm foisdifféretiable,telleque (g (m) ) 2 <. Das le cadre d u modèle o paramétrique, l optimum des moidres carrés avec ue tellepéalitéestatteitsurl espacedesspliesdedegré2m 1.Aisi,ilsembleaturel d approximer f par ue projectio sur l espace des splies de degré 2m 1. Cosidéros Wmatricedeprojectiosuruespacedesplies.Alors,sif =W T θ,lescoditiosdu premier ordre s écrivet E remplaçat l expressio de ˆθ das ˆβ, ous obteos: avecs =W T W. ˆβ = (X T X) 1 X T (y W Tˆθ) (1.3) ˆθ = W(y Xˆβ). (1.4) ˆβ = (X T (I S)X) 1 X T (I S)y Cette approche a tout d abord été appliquée par de ombreux auteurs parmi lesquels Gree et Yadell(1985), Egle et al.(1986) et Heckma(1986). Notos qu e particulier Rice(1986)etCheetShiau(1991)optetpourlabasedeReisch.Che(1987),Cheet Che(1991)ouecoreSchick(1996)proposetquatàeuxd estimerfdasuespace de splies egedré par des subdivisios de dimesio supérieure à 2m 1, adaptées au pladesobservatio (T i ) i=1,...,. Premiers résultats asymptotiques Les premiers résultats relatifs au comportemet asymptotique des estimateurs costruits par moidres carrés péalisés sot à otre coaissace dus à Heckma(1986) et Rice (1986). Leurs travaux ot été élaborés das le cotexte d ue péalité de Sobolev, associée à ue projectio das u espace de splies comme évoqué ci-dessus. Nous présetos brièvemet ces résultats aisi que leur limite avat d évoquer des méthodes d estimatio proposées pour améliorer leur performace. Normalité asymptotique Heckma(1986)établitlaormalitéasymptotiquedel estimateurˆβ : 11
22 1.2. INFÉRENCE STATISTIQUE Théorème 1.1.(Heckma(1986)) Suppososquefappartieeàl espacedesobolevw m. Supposos qu existe ue foctio w cotiue et strictemet positive telle que le vecteur des covariablest i vérifielarelatio t i w(u)du = i. Suppososdeplusque (X 1,...,X )sotdesvariablesaléatoiresi.i.d.cetrées,dematricede covariace Σ et admettat u momet d ordre 4. Si λtedversl ifii,alorsˆβ estuestimateurcosistatde β. Sideplus λtedvers,ou f (m),alors (ˆβ β )covergeeloiversuevariable aléatoirebdeloigaussieecetréeetdematricedecovariace σ 2 Σ 1. Ce qu il est itéressat de remarquer das ce résultat est que l estimateur atteit la vitesse miimax d u modèle liéaire. Autremet dit, la présece d ue partie foctioelle das le modèle affecte pas la vitesse de covergece de l estimatio, et ous obteos de même u estimateur asymptotiquemet sas biais. Notosquelaormalitéasymptotiquedeˆβ futesuiteétedueeaucasdesmodèlespartiellemet liéaires gééralisés avec ue procédure des quasi-moidres carrés péalisés par Che(1987). Vitesses miimax: problème de variables corrélées Rice(1986) das u cotexte similaire s est itéressé à ce que deveait la cosistace de ˆβ établieparheckma(1986)lorsquel hypothèsedeocorrélatioetrelesvariables X et T était amoidrie. Plus précisémet, Rice(1986), sous l hypothèse p = 1, cosidère que les covariables X peuvet s écrire sous la forme x i =g(t i ) + η i, (1.5) avec (η i ) j=1,...,p -échatilloissud uevariablecetréedevariacefiie(oucovariables se comportat comme tel). Lorsque la foctio g s aule, le cadre de l étude est celui de Heckma(1986). Rice (1986)motrequ alorsoseulemet ˆβ admetuevitesseoptimaledecovergece, mais que de plus l estimatio de la partie foctioelle atteit ue vitesse miimax. L auteur motre e fait ce résultat sous des hypothèses mois restrictives: Théorème 1.2.(Rice(1986)) Suppososque f appartietàl espacedesobolevw m etquelescovariablesx i,i =1,...,, vérifiet(1.5)avecgfoctiopolyomialededegréiférieurouégalàm 1.Si λ = 1/(1+2m), 12
23 CHAPITRE 1. LE MODÈLE PARTIELLEMENT LINÉAIRE alors E ˆβ β = ( 1/2 ) E ˆf f = ( m/(1+2m) ). Autremet dit, la présece de la partie o paramétrique das le modèle affecte pas la qualité de l estimatio de la partie paramétrique et réciproquemet. Néamois, Rice(1986) cosidère aussi des foctios g plus complexes et coclut que si les hypothèses sur la foctio g sot amoidries(c est-à-dire que la corrélatio etre les variablesexplicativesestplusforte)lebiaisdel estimateurˆβ résultatesttropimportat. Plus précisémet, si g est m-fois cotiûmet dérivable, il va falloir pour pouvoir atteidre la vitesse optimale das la régressio liéaire choisir u paramètre λ qui va imposer u sous-lissage das l estimatio de f. E coséquece, l estimatio de f e pourra être optimale. Aisi, u compromis doit alors être réalisé etre l optimalité das l estimatio de la partie liéaire et celle das l estimatio de la partie o paramétrique du modèle. La coclusio de ces résultats est qu o peut espérer atteidre la ormalité asymptotique das l estimatio du vecteur de régressio de la partie liéaire et des vitesses miimax respectivemet pour la partie liéaire et la partie foctioelle du modèle, sas que le fait d être das u modèle partiellemet liéaire affecte les vitesses respectives des deux parties. Cepedat, ces bos comportemets asymptotiques sot valables sous la coditioquelacorrélatioetrelesvariablesdelapartieliéaireetcellesdelapartieo paramétrique du modèle e soit pas forte. La coclusio de Rice(1986) sur le comportemet des estimateurs das le cadre de variables corrélées a egedré de ombreuses reflexios. Attardos ous otammet sur lesarticlesdecheetshiau(1991)etdespeckma(1988). Ueestimatioedeuxétapes:CheetSchiau(1991) Che et Shiau(1991) costruiset ue estimatio e deux étapes afi de décorréler les variables explicatives. Cette méthode sera esuite reprise par Che et Che(1991) et par Hamilto et Truog(1997) et peut aussi être trouvée das Atoiadis(1992). Cette approche cosiste à extraire des variables explicatives de la partie liéaire de ouvelles variables o corrélées avec la partie foctioelle. L idée est de régresser les variables 13
24 1.2. INFÉRENCE STATISTIQUE explicativesxdumodèle(1.1)parrapportauxvariablestseloumodèleoparamétrique. Cela sigifie que ous supposos que les variables X s écrivet: X i =g(t i ) +R i,i =1,...,. Les auteurs proposet d estimer g selo les techiques usuelles d estimatios o paramétriques afi d e déduire les covariables R o corrélées avec T. L estimatio par moidres carrés péalisés(1.2) sera esuite effectuée e cosidérat que la matrice de régressioestopaslamatricexiitialemaislamatricedesrésidusrobteusdasla première étape. CheetShiau(1991)itroduisetlesmatricesderégressioparspliesS λ.lesauteurs utilisetdesparamètresdelissages λ j distictspourchacuedespregressiosx i,j = g j (t i ) +r i,j,i =1,...,etuparamètredelissage λpourlecritèredesmoidrescarrés péalisés sur les résidus. Ils obtieet des estimateurs de la forme: ˆβ = ( X T (I p S) T (I S λ )(I p S) X) 1 X T (I p S) T (I S λ )y ˆf = S λ (y Xˆβ ) (I S λ )S Xˆβ, avec Xet Smatricesparblocsdéfiiespar: X =diag(x 1...X p )et S =diag(s λ1...s λp ). CheetShiau(1991))aboutissetparcemoyeàdesestimateursmiimaxetàu ˆβ asymptotiquemet ormal La régressio partielle de Speckma(1988) L article de Speckma(1988), outre le fait de proposer d autres estimateurs, gééralise aussi l estimatio par splies à ue estimatio par oyaux das les modèles partiellemet liéaires. Daslecadred umodèleoparamétrique,y = f(t) +U,cosidérosquel estimatiode f s écrit ˆf = WY.Westuematricedelissageparoyauxoudeprojectio sur ue base de splies, supposée symétrique. Par ailleurs, l estimatio du paramètrederégressiochoisiedaslemodèley =Xβ +Uestcelledesmoidrescarrés ˆβ = (X T X) 1 X T Y.Lesdeuxoptiosd estimatiopossiblesdaslemodèlepartiellemet liéaire, outre l estimatio cojoite des deux parties, sot: 1.Sifétaitcoue,levecteur βseraitestimépar ˆβ = (X T X) 1 X T (Y f(t)).ile découlequefpeutêtreestiméeàpartirdumodèley Xˆβ = f(t) +Upar ˆf = 14
25 CHAPITRE 1. LE MODÈLE PARTIELLEMENT LINÉAIRE W(Y Xˆβ).Eremplaçatfparˆfdasl expressiodeˆβ,lesestimatiosobteues s écrivet alors: { ˆβ (1) = (X T (I W)X) 1 X T (I W)Y ˆf (1). = W(Y Xˆβ) Nous obteos ici la forme des estimateurs étudiés par Heckma(1986), Rice(1986) et Che(1988). 2.Si βétaitcou,alors f seraitestiméepar ˆf = W(Y Xβ).Demêmequeprécédemmet, βestobteuparestimatiodesmoidrescarrésdaslemodèley ˆf(T) =Xβ +Upuislavaleurobteueestremplacéedasˆf.Cettetechiqueaboutit aux estimatios suivates: { ˆβ (2) = (X T (I W) 2 X) 1 X T (I W) 2 Y ˆf (2). = W(Y Xˆβ) Telle que présetée par Speckma(1988), cette estimatio cosiste à projeter le modèledasl espaceorthogoalàwdesorteàfairedisparaîtrelapartieoparamétrique puis à appliquer ue estimatio des moidres carrés pour obteir ue estimatio du vecteur de regressio de la partie liéaire. La coclusio de Speckma(1988) est que la deuxième méthode est préférable. E effet, il motre que si les variaces des estimateurs sot ichagées, les biais de la méthode 2 sot réduits par rapport à la méthode 1 lorsque les variables sot corrélées, c est-à-dire lorsque lesvariablesxvérifiet(1.5)avecg apparteatpasàlaclassedespolyômesdedegré iférieurouégalàm 1.Speckmamotreparailleurslaormalitéasymptotiquedeˆβ tel que défii e 2. Quat aux estimatios des parties foctioelles, les deux procédures mèet à des vitesses miimax, pour le choix usuel de lissage. Résumos les propriétés asymptotiques établies par l auteur: Théorème 1.3.(Speckma(1988)) Supposos qu existe ue foctio w cotiue et strictemet positive telle que le vecteur des covariablest i vérifielarelatio t i w(u)du = i. Suppososque f appartietàl espacedesobolevw m etquelescovariablesx i,i =1,...,, vérifiet(1.5) avec g foctio m-fois cotiûmet dérivable. Alors Eˆβ (1) β λ m, Eˆβ (2) β = (λ 2m + λ m 1/2 ) 15
26 1.2. INFÉRENCE STATISTIQUE etvar(ˆβ (i) ) = ( 1 )pouri =1,2.Deplus, pouri =1,2. Eˆf (i) f = (λ m ) Var(ˆf (i) ) = ( 1 λ 1 ) Si de plus les variables η admettet u momet d ordre strictemet supérieur à 2 fii, alors (ˆβ (2) Eˆβ (2) )covergeeloiversuevariablealéatoirebdeloigaussieecetréeetde matricedecovariace σ 2 Σ 1. Lorsqueleparamètredelisssage λestprisdetellesortequel estimatiodelapartiefoctioellesoitmiimax,c est-à-dire λ = 1/(1+2m),cethéorèmeouscofirmebieque la procédure 2 permet de costruire des estimateurs des parties liéaires et foctioelles quisotoptimaux;tadisquelebiaisdel estimatioduvecteurdeparamètres βdas la procédure 1 a ue vitesse o paramétrique. L auteur soulige par ailleurs le dager de la première méthode car la écessité de mettre e place ue procédure de validatio croisée pour choisir le paramètre λ risque d etraîer u sous-lissage das l estimatio de la partie foctioelle. Coclusio: Des splies aux odelettes... Depuis les aées 9, l usage des odelettes e statistique s est répadu(cf Atoiadis(1997)). Elles offret e effet l avatage d élargir le champ de régularité de la partie foctioelle, comparativemet aux techiques de splies, e permettat d appréheder des foctios mois lisses et spatialemet plus hétérogèes que des foctios de Sobolev. De plus, des procédures d estimatio o liéaires, via le seuillage des coefficiets, permettet d élaborer des estimateurs quasi-miimax qui sot adpatatifs quat à la régularité de la foctio estimée. Ceci est particulièremet itéressat das le modèle partiellemet liéaire e raiso des biais possibles egedrés par la validatio croisée souligés par Rice(1986) et Speckma(1988). Récemmet, l utilisatio des odelettes das le modèle partiellemet liéaire a été proposéepardiversauteurs.ueestimatioliéaireaétémiseeplaceparf.meyer(23) ouxue(23),ueestimatiooliéaireparchagetqu(24)etfadilietbullmore (25), ou ecore ue estimatio bayésiee par simulatios Mote-Carlo par Chaîes de Markov avec des techiques d odeletttes par Qu(25). 16
27 CHAPITRE 1. LE MODÈLE PARTIELLEMENT LINÉAIRE L objet du préset travail est doc d itroduire à otre tour ue estimatio o liéaire par odelettes das ce modèle. Après avoir brièvemet préseté les odelettes et leur applicatio e régressio foctioelle, ous décriros aisi les procédures d estimatio costruites e itroduisat des odelettes das le modèle partiellemet liéaire. Nous doeros esuite les résultats quat à leurs propriétés asymptotiques et étudieros leur mise e oeuvre algorithmique. 17
28
29 CHAPITRE 2 RAPPELS SUR LES ONDELETTES ET LEUR USAGE EN RÉGRESSION Sommaire 2.1 Aalysemultirésolutioetodelettes Approximatiosdefoctios Odelettespériodiques EspacesdeBesov Trasformatioeodelettes Ecriturematricielle Algorithmepyramidal Régressioavecuplad observatioéquidistat Estimatiosliéaires Estimatiosoliéaires:seuillagedescoefficiets Régressioavecuplad observatioo-équidistat Aperçudedifféretesapproches Hypothèsessurleplad observatio Approchethéorique Approchepratique Cechapitreproposeubrefrappelsurlesodelettesaisiquesurleurusagedasle modèle de regressio o paramétrique. Das u premier temps, ous redoos la défiitio des bases d odelettes orthoormées aisi que des espaces de Besov, puis ous ous itéressos à l estimatio par trasformée e odelette das le modèle de régressio lorsque le pla d observatio est équidistribué et lorsque ce est pas le cas. Das cette derière sectio, ous isistos particulièremet sur la procédure d estimatio développée par Kerkyacharia et Picard(24), qui sera appliquée au Chapitre 7. 19
30 2.1. ANALYSE MULTIRÉSOLUTION ET ONDELETTES 2.1 Aalyse multirésolutio et odelettes Parmi les différetes approches possibles, ous avos choisi d itroduire les odelettes à travers la otio d aalyse multirésolutio. L idée d ue aalyse multirésolutio(amr) estdedéfiiruesuited espacesemboîtés (V j ) j Z tellequeàchaqueicrémetatio, l approximatiorésultated uefoctio f del 2 (R)surcetteespaceestaffiée.De maière rigoureuse, ue aalyse multirésolutio se défiit de la faço suivate: Défiitio 2.1. Aalyse multirésolutio Orthoormée(AMR) OappelleAalysemultirésolutioorthoorméedeL 2 (R)toutesuite (V j ) j Z croissate d espacesfermésdel 2 (R)telleque (i) j Z V j = {}et j Z V j =L 2 (R), (ii) f L 2 (R), j Z,f V j sietseulemetsix f(2 j x)appartietàv j+1, (iii) Ilexiste ϕ,appeléefoctiod échelle,tellequelafamille {x ϕ(x k)} k Z soitue baseorthoorméedev. Nous e traiteros pas des bases biorthoormée d odelettes, où les aalyses multirésolutio sot défiies à partir de bases de Riesz et o plus de bases orthoormées. Nous revoyos aux livres de Daubechies(1992), Y. Meyer(1992) ou Mallat(1999) pour ces derières. Cette défiitio a pour coséquece qu à chaque degré de résolutio j, la famille de foctios {ϕ j,k : x 2 j/2 ϕ(2 j x k)} k Z formeuebaseorthoorméedel espacev j pour laormel 2.Comme ϕappartietàv,quiesticlusdasv 1,ilerésulteque ϕpeut s exprimercommecombiaisoliéairede {ϕ 1,k } k Z.Autremetdit,ilexisteuesuite deréels (h k ) k Z telleque x R, ϕ(x) = h k ϕ(2x k). k Z Le pricipe de cette relatio, appelée relatio à deux échelles, permet comme ous le verros ultérieuremet d élaborer des algorithmes rapides de décompositio ou de recostructio das le cotexte d ue aalyse multirésolutio. Il est itéressat dès lors de pouvoir affier la coaissace sur ue foctio e augmetat le iveau de résolutio sas recalculer l itégralité des coefficiets associés. O itroduitalorslesespacesdedétails:passerd uerésolutiojàuerésolutioj +1revietàajouterdesdétails,comprisdasl espacew j complémetairedev j dasv j+1 ; 2
31 CHAPITRE 2. RAPPELS SUR LES ONDELETTES ET LEUR USAGE EN RÉGRESSION pourtoutj Z,W j estdéfiipar: V j+1 =V j W j. Ue coséquece immédiate de cette défiitio aisi que de la Défiitio 2.1 est que pour toutj apparteatàz,l espacel 2 (R)vérifie: L 2 (R) =V j + j=j W j. (2.1) Ilexisteuefoctio ψtelleque {x ψ(x k)} k Z soituebaseorthoorméedew. La foctio ψ est alors appelée odelette. De même que précédemmet, à tout iveau de résolutioj Z,lafamille {ψ j,k :x 2 j/2 ψ(2 j x k)} k Z formeuebaseorthoorméede l espacew j.deplus,demaièresimilaire,uerelatioàdeuxéchellespeutêtreétablie: commew esticlusdasv 1,ilexisteuesuitederéels (g k ) k Z telleque x R, ψ(x) = g k ϕ(2x k). k Z U exemple simple d aalyse multirésolutio est celle de Haar, géérée par la foctio d échelle ϕ =1 [,1) etl odelette ψ =1 [1/2,1) 1 [,1/2) Approximatios de foctios Eutilisatladécompositiodel espacel 2 (R)doéee(2.1),ousdéduisosdece quiprécèdequepourtoutj Z,toutefoctiofapparteatàL 2 (R)s écrit: avec α j,k = f ϕ j,ket β j,k = f ψ j,k. + f = α j,kϕ j,k + β j,k ψ j,k, (2.2) k Z j=j k Z Défiitio 2.2. Ordre d ue AMR Ue aalyse multirésolutio orthogoale est dite d ordre N si, pour tout degré de résolutioj Z,toutpolyômePdedegréiférieuràN 1appartietàV j,i.e.ppeuts écrire souslaforme: P = c j,k ϕ j,k. k Z 21
32 2.1. ANALYSE MULTIRÉSOLUTION ET ONDELETTES U calcul simple motre que l ordre d ue Aalyse Multi-résolutio orthogoale est équivalet au ombre de momets uls de l odelette associée. Rappelos la propriété des momet uls. Défiitio 2.3. Nombre de momets uls UefoctiofadmetNmometsulssipourtoutp=,...,N 1, f(x)x p dx =, et f(x)x N dx <. L itérêt d ue décompositio multi-échelle est que, cotrairemet à ue décompositio dasuebasedefourier,celle-ciestlocaliséeetempsetefréquece.lesvaleursdes coefficiets de détails sot faibles lorsque la foctio est régulière, mais devieet élevés das le voisiage des poits de discotiuité. E effet, lorsque la foctio est localemet polyômiale, la propriété de représetatio des polyômes associée à l odre de l AMR assure que les coefficiets de détails vot être faibles. Cette localisatio das les voisiages des poits critiques permet ue meilleure détectio de ces poits. De plus, les valeurs état peu élevées das les zoes de régularité et décroissat avec le degré de résolutio j, le fait de e pas coserver ces coefficiets a ue ifluece moidre sur la recostructio de la foctio. Ce pricipe peut permettre de compresser l iformatio e e gardat que les coefficiets sigificatifs. O peut aussi espérer qu ue telle procédure réduira les fréqueces parasites du sigal lorsque celui-ci est bruité. L odelette de Haar, citée plus haut, présete l icovéiet majeur de avoir qu u seul momet ul. O préférera doc e gééral predre des odelettes ayat u ombre de momets uls plus élevés. Daubechies(1992), etre autres, propose des odelettes ayat des ombres de momets uls élevés, et à support compact, qui serot utilisées das les applicatios. D autres exemples de foctios d échelle et d odelettes peuvet être trouvés par exemple das Mallat(1999) ou Hardle et al.(1998) Odelettespériodiques La foctio que l o souhaiterait estimer état défiie sur [, 1], la costructio d ue based odelettessurl 2 ([,1])estpossibleepériodisatlesfoctios ϕet ψ.soiet ϕ κ 22
33 CHAPITRE 2. RAPPELS SUR LES ONDELETTES ET LEUR USAGE EN RÉGRESSION et ψ κ défiiespar: ϕ κ ψ κ = l Z = l Z ϕ(x +l), ψ(x +l). Alors, le couple ( ϕ, ψ) egedre ue aalyse multirésolutio orthoormée sur [, 1]. Cette périodisatio est ue maière simple et ituitive de restreidre ue alayse multirésolutio à u itervalle, mais so icovéiet majeur est que des problèmes de discotiuités aux bords de l itervalle e découlet. Nous revoyos à la thèse de Maxim (23) pour d autres costructios d odelettes sur l itervalle et otammet d odelettes adaptées aux bords. Toutefoctiof L 2 ([,1])peutalorssedécomposersouslaforme: f = k I j α j,k ϕ j,k + j j k I j β j,k ψ j,k avec α κ = f ϕet β κ = f ψ,eti j = { k =,1,...,2 j 1 },larestrictiodesidiceskaux esemblesi j étatdueàlapériodicitédesfoctioscosidérées Espaces de Besov NousétudierosparlasuitelecasdefoctiosapparteatàdesespacesdeBesov.Nous rappelos par coséquet leur défiitio. Pour les preuves des résultats éocés das ce chapitre, o pourra se référer otammet à Hardle et al.(1998). LesespacesdeBesovsotdéfiisàpartirdumoduledecotiuité,quiestueotio plus faible que la dérivabilité, doc permet aux espaces de Besov d être peu cotraigats quat à la régularité des foctios. Pour1 π,lemoduledecotiuitéd ordre πd uefoctiof, ω N π (f,.),sedéfiit comme: ωπ N (f,t):=sup h N f π où h f(x) =f(x +h) f(x) (2.3) h t et N h f = ho h o...o h } {{ } N fois f. (2.4) Les espaces de Besov sot esuite costruits de la faço suivate: 23
34 2.1. ANALYSE MULTIRÉSOLUTION ET ONDELETTES Défiitio 2.4. Espaces de Besov Soiet <s<, < π et <q.odéfiitl espacedebesov Bπ,r s comme l esembledesfoctiosfapparteatàl π (R)tellesque ( ( ) ω N qdt ) 1/q π (f,t) <, t s t avecnetiertelques <Netlamodificatiousuellepourq =. Remarque: La défiitio ci-dessus semble dépedre de l etier N cosidéré, mais la caractérisatio d u espace de Besov e terme d odelettes permet e réalité de motrer qu il e est rie. Les espaces de Besov sot particulièremet adaptés à l estimatio par projectio sur ue base d odelettes e raiso de leur caractérisatio par rapport à ue telle base. Propositio 2.5. Caractérisatio des espaces de Besov par odelettes Soiet ϕ ue foctio d échelle issue d ue Aalyse Multi-Résolutio et ψ l odelette associée. Suppososque ϕvérifielapropriétédesnmometsulsetqu ilexisteuecostatectelleque ψvérifie ψ(x k) C p.s., k Z D N ψ(x k) C p.s. k Z Soit <s<n,1 π et <r et f = k Z α j,kϕ j,k + j j k Z β j,k ψ j,k apparteatàl π (R). Alors,f B s π,r sietseulemetsi j N2 j(s+1/2 1/π)r ( k Z β j,k π) r/π <.Aveclesmodificatiosusuellessi πourestifii. Aisi dès que l odelette cosidérée est suffisammet régulière et vérifie ue coditio de momets uls, les espaces de Besov sot caractérisés par le comportemet des coefficiets de la décompositio sur ue base d odelettes. Cette propriété fodametale icite à estimer les foctios apparteat à des espaces de Besov. C est pourquoi das toute la suite, ous cosidéreros que la foctio f que l o cherche à estimer appartiet à u esemble B s π,r.oremarqueraeparticulierquey.meyer(1992)etdaubechies(1992) proposet des bases d odelettes vérifiat les propriétés écessaires à la caractérisatio par odelettes. 24
35 CHAPITRE 2. RAPPELS SUR LES ONDELETTES ET LEUR USAGE EN RÉGRESSION LesespacesdeBesovpeuvetalorsêtremuisdelaorme ) r/π. f s,π,r = f L π + 2 ( j(s+1/2 1/π)r β j,k π j N k Z Laboule { f s,π,r M}seraotéeparlasuite B s π,r(m).parabusdeotatio,lesespacesdebesovdéfiissur Rserotcofodusparlasuiteaveclesespacesdéfiissuru itervalle afi de e pas prêter à cofusio. 2.2 Trasformatio e odelettes Cette sectio doe das u premier temps l écriture matricielle de la trasformée e odelette et de la trasformée iverse associée. Esuite, elle décrit commet ces trasformées peuvet être mises e oeuvre algorithmiquemet Ecriturematricielle Soit (V j ) j N ueaalysemultirésolutioorthogoalesur [;1]egedréeparlafoctiod échelle ϕ.oote ϕ j,k (x) =2 j/2 ϕ(2 j x k).alorsv j =Vect(ϕ j,k,k =...2 j 1). Soit ψl odeletteassociée.outilisedesotatiossimilairespour ψ j,k etlesespacesegedréspar {ψ j,k } k sototésw j. LamatriceWdeprojectiosurl espacev J =V j J 1 j=j W j estuematriceorthogoalede taille. Nous distigueros par la suite les deux blocs egedrés respectivemet par les foctios d échelle et les odelettes. Pouruvecteurquelcoquee = (e 1...e ) T latrasforméeeodeletted =Weestdela forme: ( ) T We = s j,... s j,2 j 1 w j,... w j,2 j 1... w J 1,2 J 1 1 oùs j,k etw j,k sotlescoefficietsempiriquesrespectivemetd échelleetd odelettedee 25
36 2.2. TRANSFORMATION EN ONDELETTES de degré (j, k). L approximatio suivate permet de mieux appréheder ces coefficiets: s j,k 1 i=1e i ϕ j,k(t i ) pourk =...2 j 1 w j,k 1 i=1e i ψ j,k (t i ) pour { j = j...j 1, k =...2 j 1. Cette approximatio servira otammet das l établissemet des propriétés asymptotiques. La trasformée état orthogoale, le vecteur e peut esuite être obteu à partir de sa trasforméeeodelettedpare =W T d Algorithmepyramidal Nous présetos ici la mise e oeuvre algorithmique du calcul des coefficiets d odelettes et de la recostructio d u sigal à partir de la doée des coefficiets. Les relatios à deux échelles doées ci-dessus permettet d établir ue relatio etre les coefficiets à différetes échelles. Mallat(1989) propose deux algorithmes issus de ce costat permettat l u de calculer les coefficiets de la décompositio de f à des iveauxdepluseplusfietl autredecalculerlescoefficietsàdesiveauxdepluse plus grossiers. Ces algorithmes sot appelés respectivemet algorithme de décompositio et algorithme de recostructio. D aprèscequiprécède,ilexistedeuxsuitesderéels (h k ) k Z et (g k ) k Z tellesque x R, ϕ(x) = k Z h k ϕ(2x k) Sous forme matricielle, ces équatios doet: ψ(x) = k Z g k ϕ(2x k). j Z, Φ j =H j Φ j+1 et Ψ j =G j Φ j+1. Cesrelatiosétablissetulieetrelescoefficietsd échelles j etd odelettesw j de différets iveaux de résolutios. Il e résulte e effet que 26 j Z, s j =H j s j+1 etw j =G j w j+1 s j+1 =H j s j +G j w j.
Chapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailPROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS
PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailTests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret
Tests o paramétriques de spécificatio pour desité coditioelle : applicatio à des modèles de choix discret Mémoire Koami Dzigbodi AMEGBLE Maîtrise e écoomique Maître ès arts (M.A.) Québec, Caada Koami Dzigbodi
Plus en détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailLE WMS EXPERT DE LA SUPPLY CHAIN DE DÉTAIL
LE WMS EXET DE LA SULY HAIN DE DÉTAIL QUELS SNT LES ENJEUX DE LA SULY HAIN? garatir la promesse cliet es derières aées, la distributio coaît ue véritable mutatio avec l évolutio des modes de cosommatio.
Plus en détailComment les Canadiens classent-ils leur système de soins de santé?
Novembre Les sois de saté au Caada, c est capital bulleti o 4 Commet les Caadies classet-ils leur système de sois de saté? Résultats du sodage iteratioal du Fods du Commowealth sur les politiques de saté
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailLogiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd
easylab Le logiciel de gestio de fichiers pour baladeurs et tablettes Visualisatio simplifiée de la flotte Gestio des baladeurs par idividus / classes / groupes / activités Activatio des foctios par simple
Plus en détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détailRECHERCHE DE CLIENTS simplifiée
RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées
Plus en détailContribution à la théorie des entiers friables
UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN
Plus en détailMécanismes de protection contre les vers
Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat
Plus en détailNeolane Leads. Neolane v6.0
Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio
Plus en détailUne action! Un message!
Ue actio! U message! Cotact Master est u service exclusif de relaces automatiques de vos actes vers vos cliets, par SMS, messages vocaux, e-mails, courrier... Il se décleche lorsque vous réalisez ue actio
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailMicroscope de mesure sans contact pour inspection et mesures de précision
KESTREL ELITE KESTREL ELITE Microscope de mesure sas cotact pour ispectio et mesures de précisio Microscope à deux axes sas cotact, idéal pour la mesure de caractéristiques 2-D de pièces techiques de petite
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailDivorce et séparation
Coup d oeil sur Divorce et séparatio Être attetif aux besois de votre efat Divorce et séparatio «Les premiers mois suivat u divorce ou ue séparatio sot très stressats. Votre patiece, votre cohérece et
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détailDares Analyses. Plus d un tiers des CDI sont rompus avant un an
Dares Aalyses javier 2015 N 005 publicatio de la directio de l'aimatio de la recherche, des études et des statistiques Plus d u tiers des CDI sot rompus avat u a Le cotrat de travail à durée idétermiée
Plus en détailDominique Tapsoba, Vincent Fortin, François Anctil et Mario Haché
289 NOTE / NOTE Apport de la techique du krigeage avec dérive extere pour ue cartographie raisoée de l équivalet e eau de la eige : Applicatio aux bassis de la rivière Gatieau Domiique Tapsoba, Vicet Forti,
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailFaites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes
Faites prospérer vos affaires grâce aux solutios d éparge et de gestio des dettes Quelques excelletes raisos d offrir des produits bacaires et de fiducie à vos cliets Vous avez la compétece écessaire pour
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailLa maladie rénale chronique
La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie
Plus en détailLe chef d entreprise développe les services funéraires de l entreprise, en
Le chef d etreprise développe les services fuéraires de l etreprise, e assurat lui-même tout ou partie des activités de vete et e ecadrat directemet le persoel techique et commercial et d exploitatio.
Plus en détailRisque de longévité et détermination du besoin en capital : travaux en cours
Risque de logévité et détermiatio du besoi e capital : travaux e cours Frédéric PLANCHET ISFA Laboratoire SAF Versio.6 / Septembre 2008 Sommaire La prise e compte de l expériece propre au groupe das l
Plus en détail