MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE"

Transcription

1 MODELISATION DE DONNÉES QUALITATIVES PREMIÈRE PARTIE Pierre-Louis Gonzalez 1

2 I INTRODUCTION 1 variable qualitative. Tri à plat. Représentations graphiques. Modélisation : loi binomiale loi multinomiale 2

3 2 variables qualitatives. Tri croisé. Indépendance?. Khi-deux.... Description du tableau de contingence par analyse des correspondances simples. x x x x x x x x x x x x x x 3

4 Plus de deux variables qualitatives. Tris croisés pour tous les couples de variables (tableau de Burt). Analyse des correspondances multiples But de l étude?. Modélisation.. Expliquer une variable à l aide d autres variables... 4

5 Effets de structure Le recours à l utilisation de modèles ( linéaires, logistiques ) est nécessaire pour isoler les effets propres. Séparation des effets Effet d une variable toutes choses égales par ailleurs Effet d une variable conditionnellement aux variables introduites dans le modèle 5

6 Exemple Vocations spécifiques de deux approches : description modélisation Correspondances multiples (DESCRIPTION) Description des liaisons entre les variables prises deux à deux sous forme essentiellement graphique. Modèle log linéaire (EXPLORATION DE L UNIVERS DES MODÈLES) Description des interactions entre plus de deux variables dans un cadre inférentiel. N impose aucune hypothèse sur les liaisons, mais impose une certaine homogénéité de l ensemble des variables actives. Des hypothèses sur les liaisons doivent être formulées au préalable. N est pas limitée dans le nombre de variables. Est limité à peu de variables (en pratique moins de 5). 6

7 Correspondances multiples (DESCRIPTION) Met seulement en jeu les faces de l hypercube représentées par le tableau de Burt. i j l i k ij k il Modèle log linéaire (EXPLORATION DE L UNIVERS DES MODELES) Met en jeu toutes les cases d un hypercube de contingence. l j k jl j l k jl i k il k ij k ijl Les individus peuvent jouer un rôle central. L analyse sert à produire des typologies d individus. Les individus n apparaissent pas. 7

8 II LES MÉTHODES EXPLICATIVES VARIABLE À EXPLIQUER VARIABLES EXPLICATIVES X 1,..., X K Y Numériques Nominales Mixte Numérique Régression multiple Analyse de la variance Analyse de la covariance REG GLM GLM ANOVA GLM Qualitative Analyse discriminante CANDISC STEPDISC DISCRIM DISQUAL Analyse discriminante sur variables qualitatives 8

9 VARIABLE À EXPLIQUER VARIABLES EXPLICATIVES X 1,..., X K Y Numériques Nominales Mixte Nominale à deux modalités RÉGRESSION LOGISTIQUE LOGISTIC GENMOD Nominale MODÈLE LINÉAIRE GÉNÉRALISÉ LOGISTIC CATMOD GENMOD Ordinale RÉGRESSION LOGISTIQUE ou MODÈLE LINÉAIRE GÉNÉRALISÉ LOGISTIC CATMOD 9

10 III VARIABLE QUALITATIVE À EXPLIQUER 1 Variable dichotomique : Y { 01, } Exemple 1 Soit P la population des ménages : Y i = 1 0 si le ménage i P, possède un bien durable sinon X i = ( AGE, CSP, SALAIRE, HABITAT,...) régresseurs 10

11 Exemple 2 Soit P la population des clients potentiels d une banque : «CREDIT SCORING» Y i = 1 0 si un crédit est accordé au client i sinon X i = ( AGE, REVENU, PRODUIT BANCAIRE, LIEU DE NAISSANCE,...) 11

12 Exemple 3 Soit P la population des sujets testés à une dose «DOSAGE LEVEL» Y i = 1 0 si le sujet P réagit au stimulus sinon i X i = ( NIVEAU DE LA DOSE, POIDS, AGE,...) La variable réponse à expliquer Y est une variable de Bernoulli de paramètre p i. ( ) ( ) p = Pr Y = 1 X = E Y X i i i i i ( ) Y X B 1, p i i i OBJECTIF Exprimer p i en fonction de X i 12

13 2 Variable polytomique Polytomique ordonnée Exemple 1 Soit P la population d étudiants : si l'étudiant 1 i P Yi = 2 si l'étudiant i P 3 si l'étudiant i P pratique du sport tous les jours pratique du sport une ou plusieurs fois par semaine pratique du sport plus rarement La variable réponse Y : «pratique du sport» est codée X i = ( AGE, SEXE, TYPE D' ETUDES,...) 13

14 Exemple 2 Soit P la population de chômeurs à la date t : Y i = i si l individu i P est en formation (stage) si l individu i P a un contrat CDD si l individu P est toujours au chômage à la date si l individu i P a un contrat CDI t + δ X i = ( AGE, SEXE, DIPLOME, QUALIFICATION...) 14

15 Polytomique non ordonnée Y i «distraction du samedi soir» Y i = 1 = 2 = 3 = 4 = télévision théatre cinéma visite amis X i = ( AGE, SEXE, CSP, HABITAT,...) OBJECTIF Exprimer pij = P( Yi = j Xi ) en fonction de Xi pour j= 1, 2,

16 IV POURQUOI DES MODÈLES PARTICULIERS? 1 Cas de la régression linéaire classique Y = x β + i i i ε 1 variable aléatoire quantitative prédicteur linéaire (élément déterminé) variable aléatoire 16

17 ( i i i) E ε X = x = 0 Par la suite, on notera les espérances sans conditionnement X i = x i ce qui revient à considérer X i est non aléatoire. On notera indifféremment X i ou x i. V ( ε ) i = σ 2 ε i Si de plus est supposée gaussienne, l estimateur des moindres carrés ordinaire : β = 1 Xy ( XX) est l estimateur du maximum de vraisemblance. 17

18 2 Cas de la régression d une variable dichotomique Si on modélise par 1, on obtient un résidu qui est une v.a.r. discrète prenant deux valeurs : 1 ε ε ( ) = 1 x β avec la probalilité p = P Y = 1 = x β avec la probalilité 1 p i i i i i i i Si on modélise par 1 l estimateur β n est plus efficace. 1 EY ( ) = i x i β Or Y B 1,p E Y = p ( ) ( ) i i i i Le modèle 1 est donc inapproprié! pi = xiβ une valeur qui n est pas forcément entre 0 et 1 18

19 V NIVEAU D UTILITÉ, VARIABLE LATENTE 1 Cas de variable latente Z i «intensité du désir de posséder le bien» Z i non observable pour le ménage i caractérisé par x i Yi = 0 Zi < s Yi = 1 Zi s ( seuil thérorique) Y = 1 I c est-à-dire i ( Z s) i 19

20 2 Fonction d utilité Soit u u ( ) 1, le niveau d utilité procuré par la possession du bien x i ( ) 0, le niveau d utilité procuré par la non possession du bien x i (, ) (, ) (, ) (, ) Y = 0 u 0 x > u 1 x Y = 1 u 1 x u 0 x i i i i i i c est-à-dire : ( 1, ) ( 0, ) Z = u x u x i i i Yi = 1I ( 0 ) Z i 20

21 Dans ces deux cas, on peut exprimer la probabilité ( ) p = P Y = 1 x comme : i i i ( ) p = P Z s i i 21

22 VI MODÈLE THÉORIQUE 1 Données statistiques ( 1 p Y x x ) i, i,, i i = 1 à n variable dichotomique { 01, } p variables explicatives quantitatives ou qualitatives taille de l échantillon X i vecteur de R p (On supposera ( x= 1 i 1 i ) de façon à définir un modèle avec constante) 22

23 En introduisant Z variable latente non observable telle que : Z Y = X β + i i i i = 1I > 0 Z i ε ( 1) ( ε β) p = P Y = = P < X i i i i = FX ( i β) fonction de répartition de ε i 23

24 2 Modèle stochastique général ( Y X ), =1 i.i.d tel que : i i i n H:Y X ( ) ( ) H : p = P Y = X = F X β 2 i i 1 i i où : B(1,p) 1 i i i [, ] F R 01 fonction de répartition Le paramètre, vecteur de R p formé des coefficients de régression est inconnu. β 24

25 3 Modèles PROBIT, LOGIT,... L hypothèse H 2 dépend du choix de la fonction F. Les modèles paramétriques usuels sont : 3.1 Le modèle probit 2 ω 1 t F ( ω ) = Φ( ω ) = exp dt ω R 2Π 2 Fonction de répartition de la loi normale centrée réduite N(0;1) F 1 = 1 Φ probit 25

26 3.2 Le modèle logit F ω e 1 ω = = ω ω ω 1+ e 1+ e ( ) Fonction de répartition de la loi logistique de moyenne 0 et de variance Π 2 3 F 1 ( t) = ln t 1 t logit 26

27 3.3 Le modèle complémentaire log-log (ou modèle Gompit) ( ) exp ( ω ) F ω = 1 e ω Fonction de répartition de la loi de Gompertz de moyenne 0,577 (constante d Euler) et de variance Π 2 6 ( ) ( ) = ln ln( 1 ) 1 F t t Remarque Cette loi est dissymétrique. 27

28 4 Comparaison des modèles LOGIT et PROBIT DENSITÉS f = F ,3 0,2 0, Π, ω f 0 ( ω) f( ω) f 1 ( ω) Modèle PROBIT Φ( ω) ω = 1 2Π e 2 2 t / dt ( ω) f = 0 1 2Π e ω 2 / 2 1 = = + ω 1 e 1 Modèle LOGIT F( ω) f ( ω) e ω ( ω + e ) 1 Π = = 1 + Πω/ e 3 1 Modèle LOGIT réduit F ( ω) f ( ω) e Πω / 3 ( Πω / + e )

29 Sur les extrêmes la loi logistique s approche un peu plus lentement de 0 ou de 1. 29

30 Comparaison des fonctions de répartition 30

31 DIFFÉRENCE ( F 1 Φ ) ( ω) ,8 1 2 ω CONCLUSION. Les lois F 1 et Φ sont proches modèles équivalents... La précédure de SAS, «LOGISTIC» utilise F ou Φ. Les estimateurs obtenus avec F (logit) seront Π / 3 fois Φ plus grands qu avec (probit).... Le modèle LOGIT est préférable car les calculs sont plus simples. 31

32 Dans la plupart des cas pratiques, on peut donc choisir indifféremment l un ou l autre modèle. Le modèle LOGIT a l avantage d une plus grande simplicité numérique. Le modèle PROBIT est en revanche plus proche du modèle habituel de régression par les moindres carrés. Avantages du modèle LOGIT Les coefficients du modèle LOGIT sont interprétables en termes d odds-ratio. Un échantillonnage ne respectant pas les proportions réelles dans la population des deux modalités de la variable à expliquer Y ne change que la constante dans le modèle. 32

33 VII PRINCIPES GÉNÉRAUX : ESTIMATION DU VECTEUR β 1 La méthode du maximum de vraisemblance Échantillon x 1... x n Loi de probabilité de x i (, θ) θ ( θ,, θ ) f x i où = Ω 1 k Vraisemblance n L( θ) = f( xi, θ) dépend des xi et des θ i= 1 Estimation du maximum de vraisemblance ( ) = MAX L( ) θ L θ θ θ Ω Log L θ ( θ) On obtient en général en annulant les dérivées premières θ i 33

34 Scores u i ( θ) = Log L θ i ( θ) ( ) ( θ) ( θ) ( θ) u = u u 1,, k = vecteur score ( ) On a : u θ = 0 Matrice d information de Fisher I ( θ) = E ( ) estimée par : I θ 2 Log θ 2 L = ( θ) 2 Log θ 2 L ( θ) θ= θ 34

35 Résultats θ=vecteur des paramètres θ =estimation du maximum de vraisemblance 1. ˆ θ N θ; I θ 1 2. u ( θ) N 0 ; I ( θ) ( ) 3. ( θ θ) ( θ) ( θ θ) I χ( 2 k ) 4. u ( θ) 1 I( θ) u( θ) 5. = 2 Log L L ( θ) ( θˆ ) 2 χ( k ) Λ χ( 2 k ) 35

36 2 Test global H 0 : θ= θ 0 Statistiques 1. Statistique de Wald ( θ θ ) ( θ ) ( θ θ ) Statistique du score I 2 sous H 0 χ (k) 1 ( ) ( ) ( ) u θ I θ u θ sous H 0 Avantage : pas de calcul de θ χ (k) 3. Statistique des vraisemblances Λ= 2 Log L L ( θ ) 2 0 θ ( ) χ (k) sous H 0 36

37 3 Test partiel ( ) θ θ, θ θ a p coordonnées = (, ) θ = θ θ = 1 2 estimation du M.V. Test H 0 : θ 1 = θ 10 ( ) On calcule θ = θ, θ ~ avec θ H L H ( θ ) 10, θ ~ 2 = max L( θ10, θ2) θ = estimation de sous θ 2 H

38 Statistiques utilisées Var 1. Wald ( ) ( ) 1 θˆ ( ) 1 θ ˆ 10 θ1 θ1 θ10 ( θ ) ( θ ) ( θ ) 1 est extrait de = Var Var I 2 χ (p) 1 sous H 0 2. Score 1 ( θ ) ( ) ( ) H θ H θh u I u χ sous H (p) 0 3. Rapport de vraisemblance Λ= 2 Log L L ( θ ) 10 θ2 ( θ ) 1, θ 2, ~ 2 χ (p) sous H 0 38

Régression logistique ou modèle binomial

Régression logistique ou modèle binomial Résumé Régression logistique ou modèle binomial Introduction au modèle linéaire et modèle linéaire général : la régression logistique ou modèle binomial Retour au plan du cours 1 Introduction Dans ce chapitre,

Plus en détail

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq»

Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Tests statistiques Formation «Analyse de données RNA-seq/ChiP-seq» Guy Perrière Pôle Rhône-Alpes de Bioinformatique 14 novembre 2012 Guy Perrière (PRABI) Tests statistiques 14 novembre 2012 1 / 40 Plan

Plus en détail

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50

1/4 2/4 3/4 4/4. 10. Estimation MTH2302D. S. Le Digabel, École Polytechnique de Montréal H2016. (v1) MTH2302D: estimation 1/50 10. Estimation MTH2302D S. Le Digabel, École Polytechnique de Montréal H2016 (v1) MTH2302D: estimation 1/50 Plan 1. Introduction 2. Estimation ponctuelle 3. Estimation par intervalles de confiance 4. Autres

Plus en détail

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie A. Arfaoui PLA Définitions Paramètres marginaux Covariance Coefficient de Corrélation Coefficient

Plus en détail

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire

Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Statistique de base avec R Partie 2 : Test d hypothèses et régression linéaire Julien JACQUES Polytech Lille - Université Lille 1 Julien JACQUES (Polytech Lille) Statistiques de base 1 / 48 Plan 1 Tests

Plus en détail

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance

Deuxième partie II. Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance Deuxième partie II Cours 4 à 6 : Construction d estimateurs, Modèle linéaire, Tests et intervalles de confiance (version corrigée, 4 avril 27) Construction d estimateurs 4 Construction d estimateurs Estimateur

Plus en détail

Le Saux Loïc Tanguy Brewal. Enquête d opinion sur la dégradation de la qualité de la télévision française dans le temps

Le Saux Loïc Tanguy Brewal. Enquête d opinion sur la dégradation de la qualité de la télévision française dans le temps Le Saux Loïc Tanguy Brewal Enquête d opinion sur la dégradation de la qualité de la télévision française dans le temps Traitement des enquêtes M1 ISC 2007/2008 Sommaire Introduction... 3 I ANALYSE DESCRIPTIVE

Plus en détail

Détection statistique d anomalies en présence de paramètres de nuisance

Détection statistique d anomalies en présence de paramètres de nuisance Détection statistique d anomalies en présence de paramètres de nuisance Lionel Fillatre ENST Bretagne, département Signal & Communication Lionel Fillatre (département SC) Détection d anomalies 1 / 29 Structure

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE N o d ordre :... N o de série :... UNIVERSITÉ MENTOURI CONSTANTINE FACULTÉ DES SCIENCES

Plus en détail

Statistiques Appliquées Rôle des femmes dans la société

Statistiques Appliquées Rôle des femmes dans la société Statistiques Appliquées Rôle des femmes dans la société Denis Schelling Semestre d automne 2012 Résumé A partir de données concernant le rôle des femmes dans la société, nous avons effectué une analyse

Plus en détail

Régression logistique avec R

Régression logistique avec R Université Rennes 2, UFR Sciences Sociales Régression logistique avec R Université Rennes 2 Place du Recteur H. le Moal CS 24307-35043 Rennes Tel : 02 99 14 18 06 Mel : laurent.rouviere@univ-rennes2.fr

Plus en détail

Méthodes d analyse empirique

Méthodes d analyse empirique Méthodes d analyse empirique Partie Quantitative Michel Beine (suppl. S. Laurent) michel.beine@uni.lu Université du Luxembourg http://www.michelbeine.be Méthodes d analyse empirique p. 1/? Méthodes d analyse

Plus en détail

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap

geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Université de Strasbourg Ségolen Geffray M2 - Statistique geffray@math.unistra.fr Outils pour la statistique avancée Année 2015/2016 TD 1 : Bootstrap Ces exercices seront effectués au moyen du logiciel

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chapitre 4 : RÉGRESSION 4.3 Régression linéaire multiple 4.3.1 Equation et Estimation 4.3.2 Inférence 4.3.3 Coefficients de détermination 4.3.4 Spécifications Régression linéaire multiple 1 / 50 Chapitre

Plus en détail

Chapitre 8: Inférence, échantillonnage et estimation

Chapitre 8: Inférence, échantillonnage et estimation Chapitre 8: Inférence, échantillonnage et estimation 1. Echantillonnage aléatoire simple 2. Inférence statistique 3. Estimation 4. Evaluation graphique de l adéquation d un modèle de distribution 1 L inférence

Plus en détail

Modélisation de la demande de transport

Modélisation de la demande de transport Modélisation de la demande de transport Fabien Leurent ENPC / LVMT Introduction Approche empirique Fonctions de répartition Position microéconomique : préférences et rationalité Distribution des décideurs,

Plus en détail

TABLE DES MATIÈRES CHAPITRE 1 LA CONSTRUCTION D UN INSTRUMENT DE MESURE... 9. Avant-propos... 5 Sommaire... 7

TABLE DES MATIÈRES CHAPITRE 1 LA CONSTRUCTION D UN INSTRUMENT DE MESURE... 9. Avant-propos... 5 Sommaire... 7 TABLE DES MATIÈRES Avant-propos... 5 Sommaire... 7 CHAPITRE 1 LA CONSTRUCTION D UN INSTRUMENT DE MESURE... 9 1. Le processus de construction d un test... 9 2. La construction d un test d acquis scolaires...

Plus en détail

Introduction d un biais près d une borne (pour x = ph, 0 p < 1 ) si f(x) 0. Rectification : utilisation des "boundary kernels", par exemple :

Introduction d un biais près d une borne (pour x = ph, 0 p < 1 ) si f(x) 0. Rectification : utilisation des boundary kernels, par exemple : Problème d estimation aux bornes Introduction d un biais près d une borne (pour x = ph, 0 p < 1 ) si f(x) 0. Soit a l (p) = p 1 ul K(u) du, notons que a 0 (p) < 1 E[ f(x)] = a 0 (p)f(x) h a 1 (p)f (x)+

Plus en détail

Econométrie des modèles de durée

Econométrie des modèles de durée Econométrie des modèles de durée Guillaume Horny Banque de France et UCLouvain Master 2 MOSEF Guillaume Horny (Banque de France) Econométrie des durées (chap 1) 2009 1 / 70 Introduction Introduction Pourquoi

Plus en détail

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

Plus en détail

Master 2 IMOI - Mathématiques Financières

Master 2 IMOI - Mathématiques Financières Master 2 IMOI - Mathématiques Financières Exercices - Liste 1 1 Comportement d un investisseur face au risque Exercice 1 Soit K la matrice définie par 1 2 [ 3 1 1 3 1.1 Montrer que K est la matrice de

Plus en détail

Régression linéaire simple

Régression linéaire simple Résumé Ce chapitre introduit la notion de modèle linéaire par la version la plus élémentaire : epliquer Y par une fonction affine de X. Après avoir epliciter les hypothèses nécessaires et les termes du

Plus en détail

TOUTE UNE VIE prévoir, aider, transmettre dans une société de longue vie

TOUTE UNE VIE prévoir, aider, transmettre dans une société de longue vie TOUTE UNE VIE prévoir, aider, transmettre dans une société de longue vie METHODOLOGIE I. Enquêtes utilisées Cette édition de BPCE L Observatoire s appuie notamment sur deux enquêtes : Une étude quantitative

Plus en détail

Discrimination à l embauche Quels apports des procédures de testing?

Discrimination à l embauche Quels apports des procédures de testing? Discrimination à l embauche Quels apports des procédures de testing? Séminaire D3E Romain Aeberhardt Denis Fougère Julien Pouget Roland Rathelot INSEE-CREST 17 novembre 2008 Aeberhardt, Fougère, Pouget

Plus en détail

Enquête.sba Procédure Tableaux croisés

Enquête.sba Procédure Tableaux croisés Enquête.sba Procédure Tableaux croisés Tris croisés p. 27 «Cette procédure est conçue pour le calcul et l édition massive de tableaux croisés. On obtient à partir de cette procédure des tableaux de contingence,

Plus en détail

Chapitre I Théorie de la ruine

Chapitre I Théorie de la ruine Chapitre I Théorie de la ruine Olivier Wintenberger ISUP 2, Université Paris VI (slides Olivier Lopez) Année universitaire 2013-2014 1 Risque collectif 2 Modélisation des coûts de sinistres 3 Probabilité

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

Actuariat IARD - ACT2040 Partie 2 - régression logistique et arbres de régression (Y {0, 1})

Actuariat IARD - ACT2040 Partie 2 - régression logistique et arbres de régression (Y {0, 1}) Actuariat IARD - ACT2040 Partie 2 - régression logistique et arbres de régression (Y {0, 1}) Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.hypotheses.org/ Hiver 2013 1 Modèlisation

Plus en détail

Pierre-Louis GONZALEZ

Pierre-Louis GONZALEZ SEGMENTATION Pierre-Louis GONZALEZ 1 I. Les méthodes de segmentation. Introduction Les méthodes de segmentation cherchent à résoudre les problèmes de discrimination et de régression en divisant de façon

Plus en détail

Formulaire de Probabilités et Statistiques

Formulaire de Probabilités et Statistiques Formulaire de Probabilités et Statistiques AD+JS 1 Rappels de combinatoire Arrangements avec répétitions Nombre d applications d un ensemble à k éléments dans un ensemble à n éléments : n k Arrangements

Plus en détail

Régression logistique

Régression logistique Régression logistique Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Régression logistique p. 1 Introduction Objectifs Le classifieur de Bayes est basé sur la comparaison des probabilités

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA)

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie des Variables Qualitatives Chapitre 1 Modèles Dichotomiques Univariés Modèles Probit, Logit et Semi-Paramétriques Christophe

Plus en détail

Estimation indirecte en sciences humaines : une méthode bayésienne

Estimation indirecte en sciences humaines : une méthode bayésienne Estimation indirecte en sciences humaines : une méthode bayésienne Henri Caussinus, Institut de Mathématiques de Toulouse, en collaboration avec Daniel Courgeau, INED Isabelle Séguy, INED Luc Buchet, CNRS

Plus en détail

Modélisation des codes de calcul dans. le cadre des processus gaussiens

Modélisation des codes de calcul dans. le cadre des processus gaussiens Modélisation des codes de calcul dans le cadre des processus gaussiens Amandine Marrel Laboratoire de Modélisation des Transferts dans l Environnement CEA Cadarache Introduction (1) Fiabilité et calcul

Plus en détail

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Statistiques - Notes de cours - M1. Elisabeth Gassiat

Statistiques - Notes de cours - M1. Elisabeth Gassiat Statistiques - Notes de cours - M1 Elisabeth Gassiat Table des matières 1 Introduction 5 1.1 Estimation et régions de confiance...................... 5 1.2 Tests.......................................

Plus en détail

Bases du Modèle Linéaire

Bases du Modèle Linéaire AgroParisTech Bases du Modèle Linéaire J.J. Daudin, E. Lebarbier, C. Vuillet Table des matières 1 Introduction 3 2 Estimation des paramètres 5 2.1 Estimation des paramètres de l espérance......................

Plus en détail

INTRODUCTION A L ETUDE DES VARIABLES QUALITATIVES

INTRODUCTION A L ETUDE DES VARIABLES QUALITATIVES INTRODUCTION A L ETUDE DES VARIABLES QUALITATIVES Plan Introduction Définition Catégories de variables qualitatives Modèles pour Données avec Troncature Les Modèles pour Données Censurées Définition de

Plus en détail

TD : Microéconomie de l incertain. Emmanuel Duguet

TD : Microéconomie de l incertain. Emmanuel Duguet TD : Microéconomie de l incertain Emmanuel Duguet 2013-2014 Sommaire 1 Les loteries 2 2 Production en univers incertain 4 3 Prime de risque 6 3.1 Prime de risque et utilité CRRA.................. 6 3.2

Plus en détail

PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE. Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4. Epreuve du jeudi 16 décembre 2010

PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE. Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4. Epreuve du jeudi 16 décembre 2010 PREMIERE ANNEE COMMUNE DES ETUDES DE SANTE Faculté de Médecine Lyon Est Année Universitaire 2010-2011 UE4 Epreuve du jeudi 16 décembre 2010 Dr Claire BARDEL, Dr Marie-Aimée DRONNE, Dr Delphine MAUCORT-BOULCH

Plus en détail

Une introduction aux statistiques inférentielles

Une introduction aux statistiques inférentielles 1 Une introduction aux statistiques inférentielles Christophe Lalanne Sommaire 1 Quelques rappels utiles de probabilités.................................. 1 1.1 Les axiomes fondamentaux..........................................

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Statistique (MATH-F-315, Cours #3)

Statistique (MATH-F-315, Cours #3) Statistique (MATH-F-315, Cours #3) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Estimation et calibration des paramètres

Estimation et calibration des paramètres et calibration des paramètres 6-601-09 Simulation Monte Carlo Geneviève Gauthier HEC Montréal 1 1. Nous allons discuter des diverses façons de déterminer les paramètres des modèles que nous employons lors

Plus en détail

Techniques d Analyse par les Méthodes de Lyapunov (suite)

Techniques d Analyse par les Méthodes de Lyapunov (suite) Techniques d Analyse par les Méthodes de Lyapunov (suite) Analyse et Commande des Systèmes Non Linéaires Cours SM II () Enseignant: Dr. Ph. Müllhaupt 1 / 24 Leçon 5 1 Désavantage de la définition de la

Plus en détail

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités

Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007. Introduction aux probabilités Université de Pau et des Pays de l Adour Département de Mathématiques Année 2006-2007 Introduction aux probabilités Série n 3 Exercice 1 Une urne contient neuf boules. Quatre de ces boules portent le numéro

Plus en détail

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008

Statistiques. IUT Biotechnologie 2ème année. Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 Statistiques IUT Biotechnologie 2ème année Jean-Christophe Breton Université de La Rochelle Octobre-Novembre 2008 version du 04 octobre 2008 Table des matières 1 Lois de probabilité usuelles 1 1.1 Dénombrement................................

Plus en détail

Identification des caractéristiques influençant la probabilité d avoir un contrat à durée indéterminée lors du premier emploi.

Identification des caractéristiques influençant la probabilité d avoir un contrat à durée indéterminée lors du premier emploi. Université d Orléans QUE SONT DEVENUS LES SORTANTS DU SYSTEME EDUCATIF DE LA REGION CENTRE? Problématique : Identification des caractéristiques influençant la probabilité d avoir un contrat à durée indéterminée

Plus en détail

Université Lumière Lyon 2 Faculté de Sciences Economiques et de Gestion M1 - Economie et Management

Université Lumière Lyon 2 Faculté de Sciences Economiques et de Gestion M1 - Economie et Management Université Lumière Lyon 2 Faculté de Sciences Economiques et de Gestion M1 - Economie et Management Rak Abdesselam rak.abdesselam@univ-lyon2.fr http://eric.univ-lyon2.fr/ rabdesselam/documents/ Année Universitaire

Plus en détail

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance

Plus en détail

Économétrie 2 : données qualitatives, probit et logit

Économétrie 2 : données qualitatives, probit et logit URCA Hugo Harari-Kermadec 2008-2009 harari@ecogest.ens-cachan.fr Économétrie 2 : données qualitatives, probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours

Plus en détail

Cours Statistiques L2 Université Nice Sophia-Antipolis. François Delarue

Cours Statistiques L2 Université Nice Sophia-Antipolis. François Delarue Cours Statistiques L2 Université Nice Sophia-Antipolis François Delarue Table des matières Chapitre 1. Rappels de Probabilités 5 1. Espaces de probabilité et Variables aléatoires 5 2. Espérances et variances

Plus en détail

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes.

Au menu. Cours 7: Classes Probabilistes. Application : Calcul de la médiane. Sous menu. Retours sur quelques algorithmes. Au menu Cours 7: Classes Probabilistes Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique Retours sur quelques algorithmes Quelques résultats INF561 Algorithmes et Complexité 1 2 Sous

Plus en détail

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale

MT18 A 2012 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale MT8 A 0 Variables aléatoires à valeurs réelles Aleth Chevalley Loi binomiale, loi de Poisson, loi normale. Fonction de répartition.. Variable aléatoire à valeurs réelles Définition : Soit un ensemble fondamental

Plus en détail

Choix de modèle en régression linéaire

Choix de modèle en régression linéaire Master pro Fouille de données Philippe Besse 1 Objectif Choix de modèle en régression linéaire La construction d un score d appétence sur les données bancaires correspond au choix et à l estimation d un

Plus en détail

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL

Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL Analyse en composantes principales Christine Decaestecker & Marco Saerens ULB & UCL LINF 2275 Stat. explor. multidim. 1 A.C.P.: Analyse en Composantes Principales Analyse de la structure de la matrice

Plus en détail

4.1 Planification d une expérience complètement randomisée

4.1 Planification d une expérience complètement randomisée Chapitre 4 La validation des hypothèses d ANOVA à un facteur Dans le modèle standard d ANOVA, on a fait quelques hypothèses. Pour que les résultats de l analyse effectuée soient fiables, il est nécessaire

Plus en détail

Statistique (MATH-F-315, Cours #1)

Statistique (MATH-F-315, Cours #1) Statistique (MATH-F-315, Cours #1) Thomas Verdebout Université Libre de Bruxelles 2015 Plan de la partie Statistique du cours 1. Introduction. 2. Théorie de l estimation. 3. Tests d hypothèses et intervalles

Plus en détail

Modèles statistiques pour l analyse des séquences biologiques

Modèles statistiques pour l analyse des séquences biologiques Modèles statistiques pour l analyse des séquences biologiques Franck Picard UMR CNRS-5558, Laboratoire de Biométrie et Biologie Evolutive franck.picard@univ-lyon1.fr F. Picard (LBBE) 1 / 60 Outline Introduction

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Microéconométrie II. Exploiter des données à plusieurs dimensions Modèles basiques de panel

Microéconométrie II. Exploiter des données à plusieurs dimensions Modèles basiques de panel Claudio Araujo 9/09/03 Microéconométrie II. Eploer des données à plusieurs dimensions Modèles basiques de panel Claudio Araujo CERDI, Universé d Auvergne Clermont-Ferrand, France www.cerdi.org http://www.cerdi.org/claudio-araujo/perso/.

Plus en détail

Section 3 - Méthode des prix hédoniques

Section 3 - Méthode des prix hédoniques Section 3 - Méthode des prix hédoniques L3 économétrie - Modélisation et inférence statistique Florence Goffette-Nagot GATE CNRS - Université Lyon 2 - ENS-LSH XX Section 3 - Estimation de prix hédoniques

Plus en détail

L algorithme EM : une courte présentation

L algorithme EM : une courte présentation L algorithme EM : une courte présentation Frédéric Santos CNRS, UMR 5199 PACEA Avenue des facultés, Bât. B8 33400 Talence Cedex Courriel : frederic.santos@u-bordeaux1.fr 5 août 2015 Résumé Après avoir

Plus en détail

L analyse en composantes principales en pratique

L analyse en composantes principales en pratique L analyse en composantes principales en pratique Après avoir vu sa formalisation mathématique dans le module précédent, on s intéresse ici à l utilisation pratique de l ACP. 1 Objectifs L objectif de l

Plus en détail

Méthodes de projection

Méthodes de projection Chapitre 11 Méthodes de projection Contenu 11.1 Analyse en composantes principales........ 138 11.1.1 L Analyse en Composantes Principales........ 139 11.1.2 La (grande) famille des ACP............. 151

Plus en détail

Introduction à la statistique inférentielle

Introduction à la statistique inférentielle Introduction à la statistique inférentielle Didier Concordet Unité de Biométrie Ecole Vétérinaire de Toulouse Sommaire 1 Statistiques descriptives 7 1.1 Description numérique...................... 7 1.1.1

Plus en détail

Ecole Polytechnique, 2ème Année, Eco-434 Economie Internationale PC 3 - Concurrence imparfaite

Ecole Polytechnique, 2ème Année, Eco-434 Economie Internationale PC 3 - Concurrence imparfaite Ecole Polytechnique, 2ème Année, Eco-434 Economie Internationale PC 3 - Concurrence imparfaite Intégration européenne et Effet-frontière Dans cet exercice, nous utilisons un cadre empirique pour étudier

Plus en détail

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES

HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 105 HUITIEME PARTIE ANALYSE EN COMPSANTES PRINCIPALES 1. Introduction En statistiques il arrive fréquemment que les individus soient décrits par un grand nombre de caractères. : voitures décrites par leur

Plus en détail

Statistiques appliquées (L3 d'économie) - Cours de Patrick Sevestre - TD 2 - Corrigé

Statistiques appliquées (L3 d'économie) - Cours de Patrick Sevestre - TD 2 - Corrigé Statistiques appliquées (L3 d'économie) - Cours de Patrick Sevestre - TD 2 - Corrigé Marc Sangnier - marc.sangnier@ens-cachan.fr 29 octobre 2007 Exercice 1 - Lien entre salaire et formation Remarques préliminaires

Plus en détail

Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie

Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie Exercices de travaux dirigés Cours d économétrie Maîtrise d économétrie September 21, 2004 1 Le modèle linéaire - Rendements d une fonction de production Cobb-Douglas Présentation du problème: On considère

Plus en détail

Un modèle simple de formation d étoiles

Un modèle simple de formation d étoiles Un modèle simple de formation d étoiles [Exercice classique] Un modèle simple d étoile consiste à supposer que celle-ci est constituée d une masse M d atomes d hydrogène, adoptant une configuration sphérique

Plus en détail

Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex

Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Agrégation externe Année 2003-2004 Corrigé de l exercice sur le test

Plus en détail

28 nov. 1 déc. 2005 Formation INRA ACTA ICTA La Rochelle. David Makowski. UMR Agronomie INRA/INA-PG makowski@grignon.inra.fr

28 nov. 1 déc. 2005 Formation INRA ACTA ICTA La Rochelle. David Makowski. UMR Agronomie INRA/INA-PG makowski@grignon.inra.fr 28 nov. 1 déc. 2005 Formation INRA ACTA ICTA La Rochelle David Makowski UMR Agronomie INRA/INA-PG makowski@grignon.inra.fr Mon cours sur l estimation des paramètres comportent deux parties. La première

Plus en détail

Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE

Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE Estimation bayésienne des paramètres d un modèle de culture implémenté sous VLE Arnaud Bensadoun François Brun (ACTA), Philippe Debaeke (INRA), Daniel Wallach (INRA), Luc Champolivier (CETIOM), Emmanuelle

Plus en détail

28. Méta-analyse sur données individuelles

28. Méta-analyse sur données individuelles 28. Méta-analyse sur données individuelles La méta-analyse sur données individuelles regroupe les fichiers de données des essais. La méta-analyse est donc réalisée directement à partir des informations

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Chapitre 18 - LA METHODE DE L ANALYSE CONJOINTE.

Chapitre 18 - LA METHODE DE L ANALYSE CONJOINTE. 203 Chapitre 18 - LA METHODE DE L ANALYSE CONJOINTE. A-DÉFINITION. L analyse conjointe permet d estimer les valeurs d usage et de non-usage d un bien ou de services à partir de choix et de situations hypothétiques.

Plus en détail

Plan. Définition et Objectifs Analyse discriminante Régression logistique Arbres de décision Réseaux bayésiens Exemple

Plan. Définition et Objectifs Analyse discriminante Régression logistique Arbres de décision Réseaux bayésiens Exemple La classification Plan Définition et Objectifs Analyse discriminante Régression logistique Arbres de décision Réseaux bayésiens Exemple Définition et Objectifs Prévoir l appartenance à une «classe» non

Plus en détail

Net.Doc. Après le bac professionnel ou technologique : . 2

Net.Doc. Après le bac professionnel ou technologique : . 2 Net.Doc. Après le bac professionnel ou technologique : la poursuite d études jusqu au niveau III et sa rentabilité salariale en début de vie active Stéphanie Moullet Céreq, 0, place de la Joliette, BP

Plus en détail

Université de Nantes UFR des Sciences et Techniques Département de Mathématiques. Master 1 Ingénierie mathématique Année 2012-2013

Université de Nantes UFR des Sciences et Techniques Département de Mathématiques. Master 1 Ingénierie mathématique Année 2012-2013 Université de Nantes UFR des Sciences et Techniques Département de Mathématiques Master 1 Ingénierie mathématique Année 2012-2013 TP 1: Statistique descriptive F. Lavancier, A. Philippe Le logiciel utilisé

Plus en détail

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique

Support du cours de Probabilités et Statistiques. IUT d Orléans, Département Informatique Support du cours de Probabilités et Statistiques IUT d Orléans, Département informatique Pierre Andreoletti IUT d Orléans, Département Informatique Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences)

Plus en détail

EXAMEN INTRA (3/4), ACT 2121

EXAMEN INTRA (3/4), ACT 2121 EXAMEN INTRA (3/4), ACT 2121 ARTHUR CHARPENTIER Les calculatrices sont autorisées. Les documents sont en revanche interdits. Il y a 25 questions. Sur la feuille jointe, veuillez reporter vos réponses (une

Plus en détail

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

Plus en détail

Mesures et analyses statistiques de données - Probabilités. Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION

Mesures et analyses statistiques de données - Probabilités. Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION MASTER 1 GSI- Mentions ACCIE et RIM La Citadelle - ULCO Mesures et analyses statistiques de données - Probabilités Novembre 2012 - Contrôle Continu, Semestre 1 CORRECTION Exercice 1 Partie I 12pts 1 Étude

Plus en détail

Analyse de la complexité algorithmique (1)

Analyse de la complexité algorithmique (1) Analyse de la complexité algorithmique (1) L analyse de la complexité telle que nous l avons vue jusqu à présent nous a essentiellement servi à déterminer si un problème est ou non facile (i.e. soluble

Plus en détail

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes

Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Statistiques des lois à queue régulière avec l application sur les perturbations des comètes Shuyan LIU Université Paris - SAMM Youri DAVYDOV et Radu STOICA Université Lille - Laboratoire Paul Painlevé

Plus en détail

Les différenciations de salaires au cours de la carrière : deux études sur un panel long.

Les différenciations de salaires au cours de la carrière : deux études sur un panel long. Les différenciations de salaires au cours de la carrière : deux études sur un panel long. Sébastien Roux INSEE-CREST COE, 13 mai 2008 Roux (CREST) Trajectoires salariales COE, 13 mai 2008 1 / 36 Introduction

Plus en détail

La régression. Quantifier en sociologie. Séance 10 Joanie Cayouette

La régression. Quantifier en sociologie. Séance 10 Joanie Cayouette La régression Quantifier en sociologie. Séance 10 Joanie Cayouette Principe général L effet d une variable x sur une seconde variable y toutes choses égales par ailleurs Deux types de régression : 1)La

Plus en détail

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie

Exercice II. l offre de transport (en tonnes.kilomètres) l effectif le poids de la flotte (en tonnes) le caractère public ou privée de la compagnie 1 Exercice II II. On dispose de données (fichier «aviation87.xls», section Exemples pour Excel) concernant le transport aérien en 1987, et indiquant pour 50 compagnies occidentales : Q L K PP l offre de

Plus en détail

Chapitre 2 : Les systèmes d équations récurrentes linéaires. dans

Chapitre 2 : Les systèmes d équations récurrentes linéaires. dans Chapitre 2 : Les systèmes d équations récurrentes linéaires dans Sommaire Sandrine CHARLES 1 Introduction... 3 2 Rappels sur les formes de Jordan réelles dans... 4 2.1 Deux valeurs propres réelles distinctes

Plus en détail

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour

L2 2011/2012 USTV. Analyse. numérique M43. Recueil d exercices corrigés et aide-mémoire G. FACCANONI. Dernière mise-à-jour L / Recueil d exercices corrigés et aide-mémoire USTV M Analyse numérique G FACCANONI Dernière mise-à-jour Jeudi mai Avertissement : ces notes sont régulièrement mises à jour et corrigées, ne vous étonnez

Plus en détail

Tests d homogénéité dans les modèles de mélange

Tests d homogénéité dans les modèles de mélange Tests d homogénéité dans les modèles de mélange A. Autin, C. Pouet Université de Provence Rennes, 29 Août 2008 Plan 1. 2. non-adaptatifs et adaptatifs 3. Idées des preuves 4. Modèle de mélange Modèle Cadre

Plus en détail

ECGE 1224 - Statistiques en économie et gestion : TP 1

ECGE 1224 - Statistiques en économie et gestion : TP 1 ECGE 14 - Statistiques en économie et gestion : TP 1 Exercice 1 Un dé parfaitement équilibré est lancé. Soit X la variable aléatoire (v.a.) correspondant au résultat obtenu avec le dé. a) Justifer pourquoi

Plus en détail

Données qualitatives, modèles probit et logit

Données qualitatives, modèles probit et logit Données qualitatives, modèles probit et logit I Un modèle pour données qualitatives Cette section est fortement inspirée du cours de Christophe Hurlin. On est confronté à des données qualitatives en micro-économie

Plus en détail

Les déterminants du travail domestique des enfants dans l unité familiale en Côte d Ivoire Aspects extensifs et intensifs

Les déterminants du travail domestique des enfants dans l unité familiale en Côte d Ivoire Aspects extensifs et intensifs Les déterminants du travail domestique des enfants dans l unité familiale en Côte d Ivoire Aspects extensifs et intensifs Mémoire Hermance Boly Maîtrise en économique Maître ès sciences (M.Sc.) Québec,

Plus en détail

Les paraboles. x ax 2 + bx + c.

Les paraboles. x ax 2 + bx + c. 1ES Résumé du cours sur le second degré. Les paraboles. On appelle fonction du second degré une fonction de la forme x ax 2 + bx + c. Bien sûr a doit être différent de 0 sinon ce n est pas une fonction

Plus en détail

6- Valorisation de la dette risquée

6- Valorisation de la dette risquée 6- Valorisation de la dette risquée Objectif : Présenter : 1.Évaluation de dette risquée 2.Évaluation d obligations convertibles Jean-Baptiste Desquilbet 1 Université Lille 1 1- ÉVALUATION DE DETTE RISQUÉE

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

Économétrie. Francesco Quatraro M1 EFM 2010/2011 Francesco Quatraro M1 EFM 2010/2011 1 La violation des hypothèses Le modèle des MCO considère que les hypothèses suivantes sont toutes respectées: H1: le modèle est linéaire en x i,t H2: les valeurs x

Plus en détail