Méthodes d estimation
|
|
- Joëlle Beauchamp
- il y a 8 ans
- Total affichages :
Transcription
1 CHAPIRE 5 Méthodes d estimation On a vu que (B,C,Σ) ne peut être (en général) estimé par les MCO, du fait de la présence de variables endogènes explicatives dans chaque équation. Dans tous les cas, l estimation de (B,C,Σ) ne pourra se faire que si ces paramètres sont identifiables. Si on néglige les contraintes sur la forme réduite, celle-ci est estimable par les MCO équation par équation. Mais si (B,C,Σ) est sur-identifié, la forme réduite est elle aussi soumise à des contraintes, et le meilleur estimateur de (Π, Ω) devrait être les MCG sous contraintes, avec retour unique vers les paramètres structurels. Les estimateurs qui traitent globalement les n équations en tenant compte de toutes les contraintes s appellent estimateurs en information complète. Les calculs sont complexes, c est pourquoi d autres estimateurs sont examinés. Les plus simples sont obtenus en traitant chaque équation séparément, en négligeant chaque fois les contraintes relatives aux autres équations. Cela veut dire en particulier que les contraintes de premier ordre équation par équation Φ j (b j,c j )=sont des contraintes identifiantes. Les estimateurs obtenus sont dits en information limitée. Nous nous bornerons au cas (fréquent) de contraintes linéaires séparables équation par équation. Le système complet correspondant aux observations des variables endogènes et exogènes peut s écrire de façon à faire apparaître les vecteurs d observations dans R : Y (,n)(n,n) B + Z (,k)(k,n) C = U (,n) ½ E(uj )= Cov(u i,u j )=σ ij I,i,j = 1,..,n (FS) Y (,n) = Z (,k)(k,n) Π + V (,n) où Y = y 1.. y n,z = z1.. z k et U = u1.. u n. Notons que l équation (FR) peut aussi être écrite sous la forme de régressions empilées : y 1 : = Z.. π 1 : : : π 2 : + u 1 : y n.. Z u n π n En ce qui concerne le comportement asymptotique des estimateurs, les hypothèses faites sont rassemblées dans l hypothèse Hasy : ( plim Z U = plim Z Z = M zz régulière (exognit) U t i.i.d. sachant Z (chantillonage) 1. Moindres carrés indirects Le premier cas simple se rencontre lorsque (B,C,Σ) est juste-identifiée. Dans ce cas, les paramètres structurels (Π, Ω) ne sont soumis à aucune contrainte. Le meilleur estimateur de (Π, Ω) est simplement l estimateur ( Π, b Ω) b obtenu en applicant les MCO équation par équation (matrice Z bloc-diagonale et mêmes variables explicatives Z dans les n équations), le meilleur estimateur 41
2 42 5. MÉHODES D ESIMAION de (B,C,Σ) est alors obtenu par le système Id : BΠ b + C = BΩB b = Σ Ψ(B,C,Σ) = L estimateur obtenu est appelé estimateur des moindres carrés indirects. Cette condition de juste-identification réduit tout de même beaucoup l intérêt de cet estimateur, car elle n est que rarement vérifiée. Si une équation (j) est juste identifiée, cette méthode peut encore être appliquée pour estimer les paramètres de cette équation, en résolvant le système ½ bjπ b + cj = Ψ j (b j,c j )= Ce système admet bien une solution quelle que soit l estimation b Π, mais l estimateur ainsi obtenu en information limitée ne tient pas compte des éventuelles contraintes induites sur Π par l ensemble des contraintes définissant la forme structurelle. 2. Variables instrumentales Si on ne s intéresse qu aux paramètres d une équation particulière, on est amené à ne tenir compte que des contraintes linéaires liant ces paramètres entre eux, en négligeant les contraintes qui pourraient exister entre ces paramètres et ceux des autres équations (il faut alors que ces seules contraintes suffisent à identifier les paramètres de l équation d intérêt). Considérons une équation, la première par exemple. Supposons que les contraintes soient la normalisation b 11 =1et des contraintes d exclusion, et notons Y 1 et Z 1 les variables respectivement endogènes et exogènes dont les coefficients ne sont pas contraints (Y 1 et Z 1 sont simplement des blocsextraitsdey et Z). L équation (1) s écrit alors dans R, compte tenu des contraintes considérées : y 1 = Y 1 β 1 + Z 1 γ 1 + u 1 = X 1 δ 1 + u 1 On peut aussi appliquer la méthode au cas de contraintes linéaires quelconques, β 1 et γ 1 représentant un ensemble de paramètres linéairement indépendants, et les variables y 1, Y 1 et Z 1 étant transformées en conséquence. Dans ce cas, Z1 désigne une base complémentaire de Z 1 pour engendrer Im Z. On continuera à désigner respectivement par Y 1 et Z1 les variables endogènes présentes et les variables exogènes absentes de (1). Bien entendu, si on désire appliquer la méthode à toutes les équations, il sera nécessaire de se limiter aux contraintes de normalisation et d exclusion. Exemple 7. Considérons un modèle contenant 2 endogènes et 3 exogènes, dans lequel la première équation s écrit : b 11 y 1 + b 12 y 2 + c 11 x 1 + c 12 x 2 + c 13 x 3 = u 1 On considère successivement les cas suivants : b11 b 12 c 11 c 12 c 13 = 1 b c (i) b11 b 12 c 11 c 12 c 13 = 1 b c c (ii) b11 b 12 c 11 c 12 c 13 = 1 b b c (iii) b11 b 12 c 11 c 12 c 13 = 1 1 c d (iv) b11 b 12 c 11 c 12 c 13 = 1 b c 1 c (v) Dans chacun de ces cas, il est possible de se ramener à des contraintes de normalisation et d exclusion. cas (i) : y 1 = by 2 + cx 1 + u 1 Les y 1 ; Y 1 ; Z 1 ; Z 1 correspondants sont :y 1; y 2 ; x 1 ;(x 2,x 3 )
3 3. DOUBLES MOINDRES CARRÉS 43 cas (ii) : y 1 = by 2 + c (x 1 + x 2 )+u 1 Les y 1 ; Y 1 ; Z 1 ; Z 1 correspondants sont :y 1 ; y 2 ; z =(x 1 + x 2 );(x 2,x 3 ) cas (iii) : y 1 = b (y 2 x 1 )+cx 3 + u 1 Les y 1 ; Y 1 ; Z 1 ; Z 1 correspondants sont :y 1 ;(y 2 x 1 );x 3 ;(x 1,x 2 ) cas (iv) : (y 1 + y 2 )=cx 2 + dx 3 + u 1 Les y 1 ; Y 1 ; Z 1 ; Z 1 correspondants sont :(y 1 + y 2 ); ;(x 2,x 3 );x 1 cas (v) : (y 1 + x 3 )=by 2 + c (x 3 x 2 )+u 1 Les y 1 ; Y 1 ; Z 1 ; Z 1 correspondants sont :(y 1 + x 3 );y 2 ; z =(x 3 x 2 );x 1,x 2 Les n 1 variables Y 1 ne vérifient pas (en général) la condition d exogénéité plim( Y 1 u 1 )=.On peut donc envisager une méthode d estimation par variables instrumentales. Si on choisit p variables F 1 parmi celles qui ne figurent pas dans Z 1, on pourra utiliser (F 1,Z 1 ) comme variables instrumentales à condition que p+k 1 n 1 +k 1. Il est donc nécessaire qu il y ait au moins n 1 variables exogènes absentes de (1). Ceci correspond à la condition d ordre d identifiabilité de β 1 et γ 1. Notons P F 1 la projection sur Im( F 1 Z 1 ). L estimateur de δ 1 obtenu est e δ1 (F 1 )=(X 1P F 1 X 1 ) 1 X 1P F 1 y 1. Sous Hasy, il est convergent et asymptotiquement normal : ( e δ1 (F 1 ) δ 1 ) loi N[, σ 11 Ω F 1 ] où X Ω F 1 = plim 1 P F 1 X Doubles moindres carrés 3.1. Définition de l estimateur 2MC. L estimateur par variables instrumentales optimal est celui dans lequel F 1 est l ensemble Z1 de toutes les autres variables exogènes du modèle. L ensemble des instruments est alors Z. L estimateur correspondant est appelé estimateur des doubles moindres carrés. µ βj L estimateur des doubles moindres carrés de δ j = dans l équation y γ j = Y j β j + Z j γ j + j u j,notéey j = X j δ j + u j, du système d équations simultanées YB + XC = U est : e δj2mc = X jp z X j 1 X j P z y j Cet estimateur est donc obtenu en régressant y j sur les variables ( Y b j,z j ), après avoir calculé les n j ajustements des moindres carrés Y b j = Z jπj c + Zj Π c j des Y j sur les exogènes Z du modèle. C est une méthode à information limitée, puisque l estimation des paramètres réduits qui a ainsi été faite ne tient pas compte des éventuelles contraintes sur Π que peuvent entraîner toutes les contraintes imposées à la forme structurelle. Les variables Z peuvent être utilisées comme instruments à condition que P z X j = byj Z j soit de plein rang colonnes n j + k j,etqueplim( X j PzXj ) soit inversible. Or Notons µ Πj I kj Π j P z X j = Z jπj c + Zj Π c j Z j = Z j Zj = Π(j). De P z X j = ZΠ(j) d et plim( Π(j)) d = Π(j) Ã Πj c I kj cπ j!
4 44 5. MÉHODES D ESIMAION nous déduisons que X jp z X j = d Π(j) Z Z d Π(j) et plim( X j P zx j ) = Π(j) M zz Π(j) L estimateur des doubles moindres carrés est donc défini si Π(j) M zz Π(j) est inversible, c està-dire de rang n j + k j.nousretrouvonsicilesconditionsd identifiabilité rang Π j = nj. héorème 12 (CS pour que 2MC=MCI). Lorsque l équation (j) est juste-identifiée, l estimateur 2MC de δ j est égal à son estimateur par les moindres carrés indirects. Preuve. Si l équation (j) est juste identifiable, cela signifie que le système : ½ πj Π j β j = γ j π j Π j β j = admet une solution unique et que Π j est inversible (k j = n j : la matrice est carrée). L estimateur e δj par les moindres carrés indirects est alors défini par les équations ( bπ (i) j Π c jβj f = eγ j cπ j Π c f j β j = où les paramètres réduits sont estimés par les MCO : (ii) P zy j = Z j bπ j + Z j c π j P z Y j = Z j c Πj + Z j c Π j Pour montrer que l estimateur MCI est égal à l estimateur 2MC, il suffit demontrerquelerésidu bu j = y j P z Y jβj f Z j eγ j est orthogonal à Im(P z Y j ) et à Im(Z j ). Des équations (ii) nous déduisons que P z y j P z Y jβj f = Z j bπ j Π c jβj f + Zj π c j Π c f jβ j ce qui conduit, en utilisant les équations (i) à P z y j P z Y j f βj = Z j eγ j et: bu j = y j P z Y jβj f P z y j P z Y jβj f =(I P z ) y j P z Y jβj f Le résidu bu j est donc orthogonal à Im(Z), en particulier à Im(P z Y j ) et Im(Z j ). L intérêt de ce théorème est qu il dispense d examiner la juste ou sur-identification d une équation identifiable : nous appliquerons la méthode des doubles moindres carrés à toute équation identifiable en étant certain d obtenir toujours le meilleur estimateur (en information limitée). De plus, suivant le logiciel de calcul disponible, il peut être plus facile d obtenir l estimation 2MC (procédure classique, constituée d une suite de régressions MCO disponibles dans n importe quel logiciel de régression, y compris des feuilles de calcul comme Excel) que l estimation MCI, qui demande elle aussi l estimation MCO de la forme réduite mais qui se termine par la résolution d un système d équations. héorème 13 (Propriétés asymptotiques de l estimateur 2MC). Sous l hypothèse Hasy, l estimateur 2MC : e δ j2mc = X j P zx j 1 X j P z y j est convergent, et eδj2mc δ j loi N[, σ jj Ω j ]
5 3. DOUBLES MOINDRES CARRÉS 45 où j = plim[ X j PzX j ]=Π(j) M zz Π(j) µ Πj I Π(j) = kj Π j Preuve. En tant qu estimateur par les variables instrumentales Z, l estimateur 2MC est convergent et la variance asymptotique de eδj2mc δ j est σ jj Ω j,avec j = plim[ X j P zx j ]= Π(j) M zz Π(j) ainsi que nous l avons calculé plus haut Estimation LIVE (Limited-information Instrumental Variables Efficient). Nous avons vu que l estimateur 2MC est obtenu en régressant y j sur les variables (P z Y j,z j ),aprèsavoir calculé les n j ajustements des moindres carrés des Y j sur les exogènes Z du modèle. Une difficulté de cette méthode est le nombre important de variables exogènes que peut contenir le modèle : dans des modèles économétriques de grande ou moyenne taille, le nombre d équations n est grand et si chacune d elle ne contient qu un nombre raisonnable de variables, la collection complète des variables exogènes utilisées peut rendre les 2MC difficiles, voire impossibles, à calculer. Une possibilité est de remplacer Z par (F j,z j ), constitué d un nombre restreint de facteurs principaux complétés par les exogènes figurant dans l équation (il peut être utile de prendre K j = n j + k j instrument, en sélectionnant les n j facteurs principaux qui sont le moins corrélés avec les Z j ). La méthode LIVE proposée par Brundy-Jorgenson(1) est la suivante : (i) Calculer une première estimation de ( B C ) en utilisant pour chaque équation un ensemble de (n j + k j ) variables instrumentales Wj =(F j,z j ). On a alors, pour chaque j =1,..,n : b δj = W j X j 1 W j y j (ii) En déduire l estimation de Π par Π b = bb 1 bc (iii) Sélectionnant dans Π b les coefficients de Y j, on en déduit les valeurs ajustées Y b j, puis on régresse par les MCO y j sur les variables ( Y b j,z j ). Dans la première étape, F j peut être constitué de n j variables choisies parmi les exogènes Zj absentes de (j) mais figurant par contre dans les équations structurelles relatives aux Y j,oubien F j peut être un sous-ensemble de n j facteurs principaux de Z. Lethéorèmesuivantjustifie la construction de l estimateur LIVE : héorème 14 (Propriétés asymptotiques de l estimateur LIVE). Sous l hypothèse Hasy, l estimateur LIVE est asymptotiquement équivalent à l estimateur 2MC. Preuve. La première étape fournit une estimation préliminaire convergente des paramètres structuraux : plim( b B)=B et plim( b C)=C. La deuxième étape fournit donc une estimation convergente des paramètres réduits : plim( b Π)=plim( bb 1 bc) = B 1 C = Π Posons W Lj =( b Y j,z j )=Z [ Π (j),où Π (j) est définie comme dans le théorème 15. On a alors b δjliv E = W LjW Lj 1 W Lj y j b δjliv E = W LjW Lj 1 W Lj X j δ j + W LjW Lj 1 W Lj u j
6 46 5. MÉHODES D ESIMAION Nous constatons que W Lj possède toutes les propriétés d instruments : plim( W Lj u j ) = Π (j) plim( Z u j )= plim( W Lj W Lj ) = Π (j) plim( Z Z )Π (j) =Π (j) M zz Π (j) régulière Enfin, Y j = Z j Π j + Zj Π j + u j entraîne que X j =( Y j Z j )=ZΠ (j)+( u j ) et donc : WLjX j = Π [ (j) Z ZΠ (j)+( Π [ (j) Z u j ) ce qui entraîne que : plim( W Lj X j )=Π(j) M zz Π (j) régulière L estimateur LIVE est équivalent à l estimateur par Variables instrumentales avec W Lj comme instruments, égal à WLj X 1 j W Lj y j, puisque WLj X j et WLj W Lj sont équivalentes. Nous en déduisons que plim bδjliv E = δ j +=δ j et que b δ jliv E est asymptotiquement normal, la variance asymptotique de bδjliv E δ j étant σ jj Ω Lj définie par : Lj = plim(w Lj W Lj )=Π(j) M zz Π (j) = j Les deux estimateurs LIVE et 2MC ont donc même variance asymptotique. La méthode est particulièrement intéressante lorsque toutes les équations du modèle sont à estimer, puisque les premières étapes (i) et (ii) sont les mêmes pour toutes. L intérêt de cet estimateur est qu il est asymptotiquement équivalent à l estimateur 2MC, sans jamais demander la régression directe des y j sur toutes les exogènes du modèle. 4. riples moindres carrés Les méthodes précédentes sont toutes des méthodes d estimation à information limitée, puisqu elles ne tiennent compte que des contraintes de premier ordre et traitent l estimation de chaque équation séparément. En particulier, elles ne tiennent pas compte de l existence de Σ. Deplus, ellesneper- mettent de calculer que la variance de chaque δ j et non leurs covariances cov (δ j, δ i ). La méthode la plus simple prenant en compte l existence de Σ et fournissant aussi les covariances asymptotiques des δ j est la méthode dite des riples Moindres Carrés, ou estimation 3MC. C est encore une méthode à information limitée, car elle ne tient compte que des contraintes de normalisation b jj =1et des contraintes d exclusion. La forme structurelle peut donc s écrire globalement, en tenant compte de ces contraintes : y j = Y j β j + Z j γ j + u j = X j δ j + u j, j =1,.., n soit, globalement dans R n : y 1 X 1.. δ 1 u 1 y 2 : = X 2.. δ 2 : : : : + u 2 : y n.. X n δ n u n y = Xδ + u, E (u Z) =,V (u Z) =Σ I avec plim( X u n ) 6=
7 4. RIPLES MOINDRES CARRÉS 47 Ce modèle global fait apparaître simultanément deux problèmes : d une part la présence en explicatives de variables aléatoires asymptotiquement corrélées avec les perturbations, d autre part unevariancedesperturbationsdifférente de σ 2 I n. L estimateur 2MC de δ est : b δ2mc = b δ1,2mc b δ2,2mc : b δn,2mc =[X (I n P z )X] 1 X (I n P z )y I n P z représente la matrice de projection orthogonale sur I n Z. L estimateur b δ 2MC est donc un estimateur par variables instrumentales, où les instruments sont I n Z. Les propriétés classiques des estimateurs VI ne sont toutefois pas applicables, car le modèle global dans R n n est pas standard. On connait les propriétés de chacun des blocs de paramètres correspondants à chaque équation; on sait donc que b δ 2MC est convergent, mais on ne connait pas toute sa variance asymptotique. De plus, l estimateur DMC ne tient pas compte des éventuelles covariances interéquation. On peut donc espérer l améliorer en combinant les MCG avec les VI. On transforme le modèle de départ pour se ramener à un modèle standard : on recherche une matrice A telle que Ay soit de variance I n, c est-à-dire telle que : A(Σ I )A =(I n I ) On constate qu il suffit deprendre A =(Σ 1/2 I ) Le modèle transformé, avec y = Ay est : y = X δ + v où E(v Z) =et Var(v Z) =(I n I )=I n avec encore plim( X v n ) 6=. Nous employons les mêmes instruments (I n X) que pour les DMC : l estimateur de δ est alors [X (I n P z )X ] 1 X (I n P z )y =[((Σ 1/2 I )X) (I n P z )(Σ 1/2 I )X] 1 ((Σ 1/2 I )X) (I n P z )(Σ 1/2 I )y =[X ( Σ 1/2 I )(I n P z )(Σ 1/2 I )X] 1 X ( Σ 1/2 I )(I n P z )(Σ 1/2 I )y =[X ( Σ 1/2 Σ 1/2 P z )X] 1 X ( Σ 1/2 Σ 1/2 P z )y =[X (Σ 1 P z )X] 1 X (Σ 1 P z )y Comme Σ n est pas connue, on utilise son estimation (convergente) déduite de l estimation 2MC. Définition 16 (Estimateur des riples Moindres Carrés (3MC)). L estimateur 3MC de δ est égal à b δ3mc =[X ( Σ b 1 P z )X] 1 X ( Σ b 1 P z )y avec où bu j sont les résidus 2MC. bσ ij = bu i bu j Il est évident que le calcul de l estimateur 3MC est plus difficile que celui de l estimateur 2MC. Il est donc important de savoir quand ce calcul est inutile. La définition qui a été donnée de b δ 3MC permet d utiliser les résultats connus sur l estimation dans un modèle de n régressions empilées. héorème 15. CS pour que 2MC et 3MC soient asymptotiquement équivalents : les estimateurs 2MC et 3MC sont asymptotiquement équivalents si σ ij =pour i 6= j =1,,n
8 48 5. MÉHODES D ESIMAION Preuve. Si σ ij =lorsque i 6= j, Σ 1 est diagonale. On vérifie alors immédiatement que [X (Σ 1 P z )X] 1 X (Σ 1 P z )y =[X (I n P z )X] 1 X (I n P z )y Lefaitquelerésultatnesoitqu asymptotique est dû au fait que Σ n étant pas connue, son estimation, qui est la matrice utilisée dans le calcul, ne sera que asymptotiquement diagonale. Le calcul de l estimateur 3MC commence par l estimation 2MC qui permet d estimer Σ. Avant de poursuivre la procédure d estimation 3MC, il est indispensable de tester la nullité des covariances σ ij (en utilisant le fait que les résidus bu j sont asymptotiquement Normaux, centrés et de variance σ ij ) : non seulement le théorème 18 nous permet d éviter le calcul de l estimateur 3MC lorsque les σ ij sont toutes nulles, mais encore il nous indique que le meilleur estimateur (que l on aurait si on connaissait Σ) est simplement l estimateur 2MC. héorème 16. CS pour que 2MC = 3MC. Les estimateurs 2MC et 3MC sont identiques si toutes les équations sont juste-identifiées. Preuve. Faisons apparaître les matrices de produits scalaires (de dimensions indépendantes de ) : Z.. X 1.. bx =(I n Z )X = Z.. X 2.. : : : : : :.. Z.. X n Z X 1.. bx = Z X 2.. : : :.. Z X n On voit que les estimateurs 2MC et 3MC peuvent aussi s écrire sous la forme : b δ2mc h 1 i 1 = bx I n (Z Z) X b 1 bx I n (Z Z) (I n Z ) y b δ3mc h 1 i 1 = bx Σ 1 (Z Z) X b 1 bx Σ 1 (Z Z) (I n Z ) y Un autre cas dans lequel l introduction de Σ n a pas d influence sur le résultat est celui où la matrice X b est inversible, car on a dans ce cas : b δ2mc = b h i 1 δ 3MC = bx (In Z ) y Il suffit de montrer que si toutes les équations sont juste-identifiées, alors Z X j est inversible pour tout j. Z X j est de format (k, n j + k j ). La condition d identifiabilité de δ j est que cette matrice soit de plein rang colonnes n j + k j. Lorsque l équation (j) est juste-identifiée, n j = k j = k k j.lamatricez X j est donc carrée, de format (k, k) et de rang k. Elle est donc inversible. Evidemment, ce résultat n est pas aussi intéressant que celui du théorème 18. précédent, car il est rare que toutes les équations soient juste-identifiées. Par contre, lorsqu il s applique, l égalité entre les deux estimateurs 2MC et 3MC est alors vérifiée exactement, alors qu elle n est qu asymptotiquement vérifiée dans le cas du théorème 18. héorème 17 (Propriétés asymptotiques de l estimateur 3MC). Sous l hypothèse Hasy, l estimateur 3MC de δ est convergent et asymptotiquement normal : eδ3mc δ loi N[, Ω 3MC ] 3MC = plimx Σ 1 P z X =[σ ij Π(i) M zz Π(j)] i,j=1,..,n les Π(j) étant définis comme dans le théorème 15., et σ ij i,j = Σ 1.
9 5. MOINDRES CARRÉS ASYMPOIQUES 49 Preuve. Le résultat se déduit directement de l interprétation IV de l estimateur, en utilisant le fait que Σ b est un estimateur convergent de Σ, et les résultats asymptotiques analogues à ceux du théorème 15 : X Σ 1 P z X = X (I n P z ) Σ 1 I (In P z ) X Or X =blocdiag[x j ] et (I n P z ) X = blocdiag[p z X j ]=blocdiag[zπ(j)] = [I n Z] blocdiag[π(j)] 3MC = plim X (Σ 1 P z)x = plim blocdiag[π(j) Z ](Σ 1 I )blocdiag[zπ(j)] d où µ 3MC = blocdiag[π(j) ]plim Σ 1 Z Z blocdiag[π(j)] 3MC = blocdiag[π(j) ] Σ 1 M zz blocdiag[π(j)] 3MC = 3MC = Π(1).. Π(2).. : : :.. Π(n) 3MC = σ 11 M zz Π(1) σ 12 M zz Π(2).. σ 1n M zz Π(n) σ 21 M zz Π(1) σ 22 M zz Π(2).. σ 2n M zz Π(n) : : : σ n1 M zz Π(1) σ n2 M zz Π(2).. σ nn M zz Π(n) σ 11 Π(1) M zz Π(1) σ 12 Π(1) M zz Π(2).. σ 1n Π(1) M zz Π(n) σ 21 Π(2) M zz Π(1) σ 22 Π(2) M zz Π(2).. σ 2n Π(2) M zz Π(n) : : : σ n1 Π(n) M zz Π(1) σ n2 Π(n) M zz Π(2).. σ nn Π(n) M zz Π(n) 5. Moindres Carrés Asymptotiques Les méthodes précédentes sont des méthodes d estimation en information limitée, au sens où elles ne tiennent pas compte d éventuelles contraintes interéquation. Ces contraintes inter-équation peuvent survenir par exemple dans le cas de modèles déduits de calculs d optimisation conduisant à des coefficients s interprétant comme des dérivées secondes : les propriétés de symétrie de la forme 2 f x 1 x 2 = 2 f x 2 x 1 entraînent alors des symétries dans la matrice B C. Ces contraintes inter-équation peuvent être indispensables pour assurer l identifiabilité de la forme structurelle. Ou bien elles correspondent à des hypothèses économiques qu il serait intéressant de tester. Lorsque les contraintes inter et intra équation sont juste identifiantes, la méthode des Moindres Carrés Indirecte est la seule applicable. Ces contraintes ne peuvent alors pas être testées : elles ne font que traduire l interprétation structurelle que l on donne aux paramètres. Seules sont testables les contraintes sur identifiantes. Lorsque les contraintes inter et intra équation sont sur identifiantes, les méthodes vues précédemment sont innaplicables : le système ½ BΠ + C = Ψ(B,C) = n admet aucune solution si Π b ne satisfait pas les contraintes de la forme réduite Π = B 1 C. Notant δ le paramètre libre à estimer, les équations liant δ à Π sont de la forme f (δ, Π) = tandis que les équations f δ, bπ =
10 5 5. MÉHODES D ESIMAION n admettent aucune solution. La méthode proposée ici est dite méthode des Moindres Carrés Asymptotiques et consiste à rechercher δ qui minimise la norme du vecteur f δ, Π b : Définition 17 (Moindres Carrés Asymptotiques). Etant donné le paramètre d intérêt δ de dimension K et le paramètre auxiliaire Π de dimension L liés par la relation f (δ, Π) = de dimension H, on appelle estimateur de δ par les Moindres carrés asymtotiques la statistique b f δmca =argmin δ, b 2 Π δ où Π b est un estimateur convergent de Π et k.k est une norme de R K. Il existe des résultats permettant de choisir la norme de manière à obtenir le meilleur estimateur possible, et précisant les propriétés de l estimateur MCA selon les hypothèses faites sur la fonction f et sur l estimateur auxiliaire Π b. Ce développement déborde du programme de 2ème annéemagistèreetn estcitéquepoursignalerson existence. Il est à noter que le test des contraintes sur identifiantes sera fondé justement sur le minimum atteint ξ = f bδmca, Π b 2, les contraintes étant rejetées si ce minimum est trop grand. Sous certaines hypothèses, b δ MCA est asymptotiquement normal, et ξ suit asymptotiquement une loi de χ 2 dont le degré de liberté est le degré de sur-identification (H K)
Programmation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détailGéométrie dans l espace Produit scalaire et équations
Chapitre 11. 2ème partie Géométrie dans l espace Produit scalaire et équations Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES 2ème partie Produit scalaire Produit scalaire
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailProposition. Si G est un groupe simple d ordre 60 alors G est isomorphe à A 5.
DÉVELOPPEMENT 32 A 5 EST LE SEUL GROUPE SIMPLE D ORDRE 60 Proposition. Si G est un groupe simple d ordre 60 alors G est isomorphe à A 5. Démonstration. On considère un groupe G d ordre 60 = 2 2 3 5 et
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailRECHERCHE OPERATIONNELLE
RECHERCHE OPERATIONNELLE 0. Introduction. Ce cours a été enseigné jusqu en 2002, en année de licence, à la MIAGE de NANCY. L objectif principal de ce cours est d acquérir une connaissance approfondie de
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailTriangle de Pascal dans Z/pZ avec p premier
Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailIntroduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailRationalisez vos processus et gagnez en visibilité grâce au cloud
Présentation de la solution SAP s SAP pour les PME SAP Business One Cloud Objectifs Rationalisez vos processus et gagnez en visibilité grâce au cloud Favorisez une croissance rentable simplement et à moindre
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détail