Récapitulatif. = 0 8s 6= 0 φ ss. = a s 1, décroissance géométrique. = ρ 1, φ ss. = 0 8s > p. = a s 1, Oscillations φ 11 = ρ 1, φ ss = 0 8s > 1
|
|
- Patrice Michel
- il y a 7 ans
- Total affichages :
Transcription
1 6. Fonctions d autocorrélation et fonctions d autocorrélation partielle 7. Méthode de Box-Jenkins : procédure de sélection d un modèle 8. Prévisions 9.Exemple : le spread 10. Instabilité des paramètres et changements struturels Récapitulatif 6.1 Autocorrélation d un processus moyenne mobile 6.2 Autocorrélation d un processus autorégressif 6.3 Autocorrélation d un processus ARMA 6.4 Fonctions d autocorrélation partielle y t ACF PACF Bruit blanc ρ s = 0 8s 6= 0 φ ss = 0 8s AR(1), a 1 > 0 ρ s = a s 1, décroissance géométrique φ 11 = ρ 1, φ ss = 0 8s > 1 AR(1), a 1 < 0 ρ s = a s 1, Oscillations φ 11 = ρ 1, φ ss = 0 8s > 1 AR(p) Décroissance géométrique, oscillations possibles φ ss = 0 8s > p Allais Modèles stationnaires (partie 2)
2 6. Fonctions d autocorrélation et fonctions d autocorrélation partielle 7. Méthode de Box-Jenkins : procédure de sélection d un modèle 8. Prévisions 9.Exemple : le spread 10. Instabilité des paramètres et changements struturels Récapitulatif 6.1 Autocorrélation d un processus moyenne mobile 6.2 Autocorrélation d un processus autorégressif 6.3 Autocorrélation d un processus ARMA 6.4 Fonctions d autocorrélation partielle y t ACF PACF MA(1) ρ s = 0 8s > 1 Décroissance ARMA(1, 1), a 1 > 0 ARMA(1, 1), a 1 < 0 Décroissance géométrique après un retard Oscillations décroissantes après un retard Oscillations décroissantes après un retard, φ 11 = ρ 1 Décroissance géométrique après un retard, φ 11 = ρ 1 ARMA(p, q) Décroit après q retards Décroît après p retards Allais Modèles stationnaires (partie 2)
3 6. Fonctions d autocorrélation et fonctions d autocorrélation partielle 7. Méthode de Box-Jenkins : procédure de sélection d un modèle 8. Prévisions 9.Exemple : le spread 10. Instabilité des paramètres et changements struturels 7.1 Objectif et cadre de la méthode 7.2 Étapes de la méthode 7.3 Illustration de la méthode Étapes de la méthode de Box-Jenkins 1 Le processus est-il stationnaire et inversible? Transformation? 2 Identification du processus : ACF et PACF, 3 Estimation des modèles candidats et sélection : AIC, SBC, parsimonie du modèle, 4 Validité du modèle : les résidus vérifient-ils l hypothèse de bruit blanc? Allais Modèles stationnaires (partie 2)
4 6. Fonctions d autocorrélation et fonctions d autocorrélation partielle 7. Méthode de Box-Jenkins : procédure de sélection d un modèle 8. Prévisions 9.Exemple : le spread 10. Instabilité des paramètres et changements struturels 7.1 Objectif et cadre de la méthode 7.2 Étapes de la méthode 7.3 Illustration de la méthode Etape 4 : non autocorrélation des résidus. Test d autocorrélation global : test du portemanteau (Ljung et Box) Ljung et Box montrent que la statistique Q s = T(T + 2) s i=1 ρ 2 i T i sous H 0,! { 2 (s) peut être utilisée pour tester si un groupe d autocorrélation des résidus est significativement différent de zéro. H 0 : ρ i = 0, 8i = 1,...s Si la valeur de Q s est plus grande que la valeur critique de { 2 (s) à un seuil donné, alors une valeur au moins de ρ i est différente de 0 (on rejette H 0 ) Allais Modèles stationnaires (partie 2)
5 6. Fonctions d autocorrélation et fonctions d autocorrélation partielle 7. Méthode de Box-Jenkins : procédure de sélection d un modèle 8. Prévisions 9.Exemple : le spread 10. Instabilité des paramètres et changements struturels Tests basés sur la MSEP C : Test de Granger-Newbold 8.1 Fonctions et erreurs de prévision 8.2 Evaluation des prévisions Granger-Newbold montrent que ρ xz q(1 ρ 2 xz )/(n 1),! t(n 1) où ρ xz est la corrélation observée de x k et z k. Si ρ xz est statistiquement différent de 0 et ρ xz > 0 (ρ xz < 0) le modèle M 2 (M 1 ) est préféré à M 1 (M 2 ). Allais Modèles stationnaires (partie 2)
6 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant Régressions fallacieuses (Granger et Newbold) Régrésser une variable non stationnaire sur des variables dépendantes dont une au moins est non stationnaire peut conduire à une régression fallacieuse, i.e. t stat conduisant à conclure à la significativité du coefficient, R 2 élevé voire proche de un, mais sans sens économique. Allais Modèles avec tendance
7 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant Règles à suivre si variables non stationnaires 1 Si les fy t g et les fz t g sont stationnaires, les MCO seront sans biais si strict exogénéité des fz t g (TS.3) et consistents s il y a exogénéité contemporaine des fz t g. 2 Si les fy t g et les fz t g sont des processus intégrés d ordre différent. La régréssion (2) n a pas de sens. 3 Si les fy t g et les fz t g sont des processus intégrés du même ordre, et que les résidus de la régression se caractérise par une tendance stochastique, la régression est fallacieuse. (Cas développé précedemment). 4 Si les fy t g et les fz t g sont des processus intégrés du même ordre, et que les résidus de la régression sont stationnaires, les processus fy t g et fz t g sont cointégrés. Allais Modèles avec tendance
8 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant Tests de Dickey-Fuller DF considèrent trois régressions différentes pour tester la présence d une racine unitaire. M1 : y t = γy t 1 + u t M2 : y t = a 0 + γy t 1 + u t M3 : y t = a 0 + γy t 1 + a 2 t + u t L hypothèse du test pour ces trois modèles est H 0 : γ = 0 vs H 1 : γ < 0 si bt γ < c on rejette H 0, où c est la valeur critique du test DF Pour chaque modèle M i et chaque taille d échantillon, il y a une tabulation différente de la stat de Student. Allais Modèles avec tendance
9 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant Tests d hypothèses combinées DF proposent également trois tests associés à la stat de Fisher pour les modèles fm2 et fm3. φ 1, H 0 : γ = a 0 = 0, associé à fm2 φ 2, H 0 : γ = a 0 = a 2 = 0, associé à fm3 φ 3, H 0 : γ = a 2 = 0, associé à fm3 où la stat de Fisher usuelle est utilisée φ i = (SSR cont SSR non cont ) /r, i = 1, 2, 3. SSR non cont /(t k) Allais Modèles avec tendance
10 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant 5.1 Détermination du nombre de retard dans la partie autorégressive 5.2 Test avec une composante moyenne mobile 5.3 Racines unitaires multiples 5.4 Test de racine unitaire pour les processus saisonniers 5.5 Changement structurel Procédure pour déterminer le nombre de retard p Idée : commencer du modèle le plus général et diminuer le p par incrémentation d un test de Student et/ou de Fisher. 1 Estimer le modèle avec un p élevé. Si t student pour le retard p n est pas significatif, on réestime le modèle avec p 1 retard. 2 Réitérer l étape 1, jusquà que le t student pour le dernier retard soit significatif. 3 Vérifier que l erreur du modèle est bien un bruit blanc (pas de chgt structurel et d autocorrélation). Rmq : processus avec saisonnalité. Allais Modèles avec tendance
11 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant 5.1 Détermination du nombre de retard dans la partie autorégressive 5.2 Test avec une composante moyenne mobile 5.3 Racines unitaires multiples 5.4 Test de racine unitaire pour les processus saisonniers 5.5 Changement structurel Etapes du test de Perron : modèle H 1 ou A 1 1 Detrender la série. Estimer le modèle sous A 1, et en déduire les résidus û. 2 Estimer la régression : û t = a 1 û t 1. Sous l hypothèse nulle, la valeur théorique de a 1 est un. Lorsque les résidus de cette reg sont iid, la distribution de a 1 dépend de λ = τ/t. 3 Réaliser les tests de bruit blanc pour les résidus de l étape précédente. Si pas bruit blanc, les corriger de leur auto-corrélation, en régressant k û t = a 1 û t 1 + β i û t i=1 i + ε t 4 Calculer les t de student pour l hyp nulle a 1 = 1 et comparer aux valeurs critiques tabulées par Perron pour λ. Si t de student est plus grand que la val critique, alors on accepte l hyp nulle de Allais Modèles avec tendance
12 Introduction 1. Trends déterministes et stochastiques 2. Eliminer la tendance stationnaire 3. Régression et racine unitaire 4. Tests de Dickey-Fuller 5. Extension du test de Dickey-Fuller 6. Puissance des test et Régresseurs déterministe 7. Autres test de racines untitaires plus puissant Test de Perron : Autres hypothèses 5.1 Détermination du nombre de retard dans la partie autorégressive 5.2 Test avec une composante moyenne mobile 5.3 Racines unitaires multiples 5.4 Test de racine unitaire pour les processus saisonniers 5.5 Changement structurel H 2 : y t = a 0 + y t v.s 1 + µ 2 D l (τ + 1) + u t A 2 : y t = a 0 + a 2 t + µ 3 D T (τ + 1) + u t, avec D T (τ + 1) = t τ pour t > τ Sous H 1, fy t g est un processus I(1), avec chgt dans la constante, Sous A 1, fy t g est un processus TS, avec changement dans la pente du trend. Allais Modèles avec tendance
13
14
1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en 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 détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailSéries temporelles : régression, et modélisation ARIMA(p,d,q)
Séries temporelles : régression, et modélisation ARIMA(p,d,q) 2 décembre 2012 Enseignant : Florin Avram Objectif : La prédiction des phénomènes spatio-temporaux est une des preoccupations principales dans
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en 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 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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détail2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en 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 détailChapitre 2. Les Processus Aléatoires Non Stationnaires 1. Chapitre 2. Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires
Chapitre 2. Les Processus Aléatoires Non Stationnaires 1 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. Les Processus Aléatoires Non Stationnaires 2 Dans le
Plus en détailANALYSE DES DETERMINANTS DE L EPARGNE DU RWANDA
ANALYSE DES DETERMINANTS DE L EPARGNE DU RWANDA Deuxième Congrès des Economistes Africains Abidjan, Côte d Ivoire Novembre 24-26, 2011 Présentateur: Charles RURANGA Institution: Université Nationale du
Plus en détailPartie 1 - Séquence 3 Original d une fonction
Partie - Séquence 3 Original d une fonction Lycée Victor Hugo - Besançon - STS 2 I. Généralités I. Généralités Définition Si F(p) = L [f(t)u (t)](p), alors on dit que f est l original de F. On note f(t)
Plus en détailSéminaires Paris le 14 et 15 mars 2007 Grenoble le 21 et 22 Mars 2007
BTS technico- Séminaires Paris le 14 et 15 mars 2007 Grenoble le 21 et 22 Mars 2007 BTS technico- Présentation des nouvelles épreuves : E3 Environnement économique et juridique E4 Négociation technico-e
Plus en détailMadame Laureen WELSCHBILLIG Chef de projet Système d Information de Santé ARS IDF
Madame Laureen WELSCHBILLIG Chef de projet Système d Information de Santé ARS IDF Système d information MAIA et stratégie régionale Journée MAIA Paris 11 mai 2015 Hôtel de Ville de Paris Systèmes d Information
Plus en détail2009-02 LA FONCTION D INFORMATION DES EXCHANGE (LME) POUR L ALUMINIUM MARCHES FINANCIERS A TERME : UNE APPLICATION AU LONDON METAL.
2009-02 LA FONCTION D INFORMATION DES MARCHES FINANCIERS A TERME : UNE APPLICATION AU LONDON METAL EXCHANGE (LME) POUR L ALUMINIUM Prosper MOUAK La fonction d information des marchés financiers à terme
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 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 détailApllication au calcul financier
Apllication au calcul financier Hervé Hocquard Université de Bordeaux, France 1 er novembre 2011 Intérêts Généralités L intérêt est la rémunération du placement d argent. Il dépend : du taux d intérêts
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailRÈGLEMENT INTÉRIEUR DE LA COMMANDE PUBLIQUE
RÈGLEMENT INTÉRIEUR DE LA COMMANDE PUBLIQUE Article 1 Lorsque les marchés publics de fournitures, services et travaux sont d un montant inférieur au seuil de 230 000 euros HT, l autorité adjudicatrice
Plus en détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en 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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
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 détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
Plus en détailM1107 : Initiation à la mesure du signal. T_MesSig
1/81 M1107 : Initiation à la mesure du signal T_MesSig Frédéric PAYAN IUT Nice Côte d Azur - Département R&T Université de Nice Sophia Antipolis frederic.payan@unice.fr 15 octobre 2014 2/81 Curriculum
Plus en détailErreur statique. Chapitre 6. 6.1 Définition
Chapitre 6 Erreur statique On considère ici le troisième paramètre de design, soit l erreur statique. L erreur statique est la différence entre l entrée et la sortie d un système lorsque t pour une entrée
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 détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailRepérage de l artillerie par le son.
Repérage de l artillerie par le son. Le repérage par le son permet de situer avec précision une batterie ennemie, qu elle soit ou non bien dissimulée. Le son se propage avec une vitesse sensiblement constante,
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 détailLatitude 49.37 N Longitude 06.13 E Altitude 376 m RÉSUMÉ MENSUEL DU TEMPS DE JANVIER 2014
RÉSUMÉ MENSUEL DU TEMPS DE JANVIER 2014 Valeurs moyennes: Valeur Jour Valeur (en C) (en C) (en C) gazon (en C) 11,4 7 13,9 1975 3,6 0,8 4,9 2007-6,3 1963-3,0 29-17,8 1979-2,8 12-24,6 1985 37,1 50,3 95,5
Plus en détailL OPTIMISATION ÉCONOMIQUE DU VOLUME DU LOT DE FABRICATION DANS LE MANAGEMENT DE LA PRODUCTION EN SÉRIE
L OPTIMISATION ÉCONOMIQUE DU VOLUME DU LOT DE FABRICATION DANS LE MANAGEMENT DE LA PRODUCTION EN SÉRIE Gradinaru Dorule L Université de Pite ti, La Faculté de Sciences Économiques, 0752458187, gradinaru_dorulet@yahoo.com
Plus en détailCHAPITRE 3. Application à la Mutualisation des Risques & à la Demande d Assurance
CHAPITRE 3 Application à la Mutualisation des Risques & à la Demande d Assurance Ce chapitre présente une première application des concepts développés dans la première partie de ce cours Il s agit de modéliser
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS*
ESTIMATION D UNE FONCTION DE DEMANDE DE MONNAIE AU CAMEROUN PAULIN MENDO & MBOLLO STEVE WILLIAMS* Contexte et justification Le Cameroun constitue l un des six Etats membres de la Communauté Economique
Plus en détail0707 70 70 Lot-sizing Résumé :
77 7 7 2 Lo-szng Résumé : L améloraon de la qualé des servces logsques es la garane essenelle pour la réalsaon de l avanage de ces servces, l augmenaon du nveau de sasfacon des clens e l améloraon de la
Plus en détailINFORMATIONS DIVERSES
Nom de l'adhérent : N d'adhérent :.. INFORMATIONS DIVERSES Rubrique Nom de la personne à contacter AD Date de début exercice N BA Date de fin exercice N BB Date d'arrêté provisoire BC DECLARATION RECTIFICATIVE
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailMonia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi
Version 4.7 Simulation d Entreprise «Artemis» Monia Amami Franck Brulhart Raymond Gambini Pierre-Xavier Meschi p. 1 1. Objectifs et Contexte Général L objectif de la simulation d entreprise «Artemis» est
Plus en détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailGestion de la Maintenance Assistée par Ordinateur
Gestion de la Maintenance Assistée par Ordinateur Simplifiez vous la maintenance Gagner en productivité. Réduire les pannes. Améliorer la durée de vie des équipements. Diminuer les coûts de maintenance.
Plus en détailMASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance
MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire
Plus en détailMARCHE 2015/05 : Ré informatisation de l Espace Culturel et maintenance associée
AVIS D APPEL PUBLIC A LA CONCURRENCE - REGLEMENT DE CONSULTATION MARCHE 2015/05 : Ré informatisation de l Espace Culturel et maintenance associée 1- Identification de l organisme qui passe le marché :
Plus en détailLA A RESPIRATION CELLULAIRE
Instructions aux professeurs Domaine : 1.1 Le transport de substances, réaction chimique de la respiration cellulaire, p. 6 Travail à réaliser : Les élèves répondent aux questions. Matériel : Feuilles
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 détailCorrélation entre deux classements. ρ Le coefficient de rang de Spearman
Corrélation entre deux classements Cas: échelle ordinale On peut utilisé le Rhô ρ Le coefficient de rang de Spearman Cours réalisé par Benjamin Putois Novembre 2008 bputois@gmail.com Indice statistique
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 détailLA DYNAMIQUE DES PRIX AGRICOLES évolutions fondamentales, financiarisation, spéculation
LA DYNAMIQUE DES PRIX AGRICOLES évolutions fondamentales, financiarisation, spéculation Michel Aglietta Université Paris Nanterre, Cepii et Groupama-am Evolutions fondamentales: Distinguer tendance de
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 détailInformations européennes normalisées en matière de crédit aux consommateurs 1. Identité et coordonnées du prêteur / de l'intermédiaire de crédit
Informations européennes normalisées en matière de aux consommateurs 1. Identité et coordonnées du prêteur / de l'intermédiaire de Prêteur Novum Bank Limited Adresse 4 e étage, immeuble Global Capital,
Plus en détailLa demande touristique européenne en Tunisie. Chokri OUERFELLI Doctorant LATEC (UMR 5601 - CNRS), Université de Bourgogne
La demande touristique européenne en Tunisie Chokri OUERFELLI Doctorant LATEC (UMR 56 - CNRS), Université de Bourgogne Résumé L'objectif de ce travail consiste à faire ressortir, à côté de la saisonnalité
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détail1 Comment faire un document Open Office /writer de façon intelligente?
1 Comment faire un document Open Office /writer de façon intelligente? 1.1 Comment fonctionne un traitement de texte?: les balises. Un fichier de traitement de texte (WRITER ou WORD) comporte en plus du
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailUniversité de Caen Basse-Normandie. Christophe Chesneau. http://www.math.unicaen.fr/~chesneau/
Basse-Normandie Christophe Chesneau http://www.math.unicaen.fr/~chesneau/ Caen, le 18 Juillet 2015 Table des matières 1 Présentation 6 2 Régression linéaire multiple (rlm) 7 2.1 Contexte............................................
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailRapport d évaluation de la licence professionnelle
Section des Formations et des diplômes Rapport d évaluation de la licence professionnelle Responsable maintenance et environnement pour l'immobilier et l'hotellerie de l Université Paris 6 Pierre et Marie
Plus en détailSommaire détaillé. Sommaire. Réaliser les études préalables. Définir le programme. Choisir et rémunérer le maître d œuvre
Réf. Internet Pages Partie 1 Optimiser la programmation de l opération de travaux Réaliser les études préalables Accomplir les études de prospection et de diagnostic...3092 9 Choisir la localisation du
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 détailProduction des Services d Assurance non-vie selon le SCN 2008
REPUBLIQUE DU CAMEROUN Paix - Travail Patrie ---------- INSTITUT NATIONAL DE LA STATISTIQUE ---------- REPUBLIC OF CAMEROON Peace - Work Fatherland ---------- NATIONAL INSTITUTE OF STATISTICS ----------
Plus en détailStratégie de moyens digitaux, création d outils de communication on-line et d achat d espaces publicitaires on-line pour la Monnaie de Paris
LA MONNAIE DE PARIS 11, quai de Conti - 75 270 Paris cedex 06 Voie Romaine - 33 600 Pessac www.monnaiedeparis.fr Direction des Finances et de la Performance AOO 33-15 RÈGLEMENT DE LA CONSULTATION du 17/07/2015
Plus en détailDélibération au Conseil Municipal du lundi 27 mai 2013
5 Délibération au Conseil Municipal du lundi 27 mai 2013 Conclusion de marchés pour fournitures diverses et prestations de gardiennage, éventuellement reconductibles, pour la Direction des ressources logistiques
Plus en détailEstimation du coût de l incessibilité des BSA
Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
Plus en détailEtude de la relation épargne-investissement de 1960 à 2010 : un indicateur de la dynamique d intégration économique?
Etude de la relation épargne-investissement de 1960 à 2010 : un indicateur de la dynamique d intégration économique? Mémoire de Gauthier Vermandel, tuteur Samuel Maveyraud Mai 2010 Abstract [Résumé] Le
Plus en détailAV-TEST teste 22 applications antivirus pour les smartphones et les tablettes Android
Applications de protection pour Android février 2013 AV-TEST teste 22 applications antivirus pour les smartphones et les tablettes Android Des millions de smartphones Android surfent sur Internet sans
Plus en détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailMARDI 3 JUILLET 2007 à 15 H 00. À la Salle Polyvalente de Ravières
Tonnerre, le 25 juin 2007 N/Réf. : MD/RLC/CR/DB/07-0274 Objet : Réunion du Comité Syndical Madame, Monsieur, J ai l honneur de vous demander de bien vouloir assister à la réunion du Comité Syndical qui
Plus en détailChapitre 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailGENERALITES... 2. Sélection du fichier... 7 TRANSFERT DES ECRITURES... 8
GENERALITES... 2 Présentation... 2 Définition du format du fichier d import/export... 4 Gestion des Profils... 6 Sélection d un profil existant... 6 Création d un profil... 6 Sélection du fichier... 7
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailpour les canalisations de transport 14 avril 2010-1 -
Arrêté multifluide du 4 août t 2006 pour les canalisations de transport 14 avril 2010-1 - Une volonté de l administration L ancien arrêté portant règlement de sécurité des ouvrages de transport de gaz
Plus en détailIntitulé : Logistique & Transport
Faculté des Sciences Juridiques, Economiques et Sociales Intitulé : Logistique & Transport IDENTIFICATION DE LA FILIERE Intitulé : Sciences Economiques et de Gestion Domaine : Gestion d entreprises Champ
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailSDLS08 - Modes propres d'une plaque carrée calculés sur base réduite
Titre : SDLS08 - Modes propres d'une plaque carrée calculé[...] Date : 03/08/2011 Page : 1/6 SDLS08 - Modes propres d'une plaque carrée calculés sur base réduite Résumé : Ce cas test a pour objectif de
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détail6605 MFP 3615 MFP. Sommaire : Paramètres généraux. Réglages de l Horloge et des Bacs. Paramètre Copie (par défaut) Paramètres Réseaux (IP)
6605 MFP 3615 MFP Sur le tableau de bord, en haut de l écran tactile, l adresse ip de votre copieur s affiche! Sommaire : Paramètres généraux Réglages de l Horloge et des Bacs Paramètre Copie (par défaut)
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 détailTests d accès pour les concours généraux
Tests d accès pour les concours généraux EPSO/AD/53-62/06 Administrateurs (AD5) de citoyennetés chypriote, tchèque, estonienne, hongroise, lituanienne, lettone, maltaise, polonaise, slovène, slovaque dans
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailLISTE D EXERCICES 2 (à la maison)
Université de Lorraine Faculté des Sciences et Technologies MASTER 2 IMOI, parcours AD et MF Année 2013/2014 Ecole des Mines de Nancy LISTE D EXERCICES 2 (à la maison) 2.1 Un particulier place 500 euros
Plus en détail