STATISTIQUE AVANCÉE : MÉTHODES
|
|
- Claude Savard
- il y a 8 ans
- Total affichages :
Transcription
1 STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN
2
3 Table des matières 1 Itroductio 5 2 Modèle de desité Estimatio par istogrammes Estimateur à oyau Exercices Modèle de régressio Défiitios égressogrammes Moyee Locale Estimateur à Noyau Estimateur par Polyômes Locaux Lissage Liéaire et Validatio Croisée Estimatio de la Variace Exemple Exercices
4
5 1 Itroductio La particularité de la statistique o-paramétrique est que le paramètre icou qu o cerce à detecter, à estimer ou à classifier est pas supposé d apparteir à ue famille idicée par u petit ombre de paramètres réels. E gééral, das la téorie o-paramétrique o suppose que le ombre de paramètres qui décrivet la loi des observatios est ue foctio croissat du ombre d observatios, ou ecore que le ombre de paramètres est ifii. Pour doer u exemple cocret, cosidéros le modèle liéaire multiple. C est u modèle très populaire das le milieu des praticies et profodémet étudié par les téoricies. Il s agit d ue expériece qui résulte e l observatio des couples (X i, Y i, i = 1,..., où, e gééral, X i est u vecteur p-dimesioel et Y i est ue valeur réelle. O suppose que pour u vecteur β p et u réel α, la dépedace de Y i e X i est expliquée par la foctio affie à ue erreur aléatoire près, c est-à-dire α + β T x Y i = α + β T X i + ξ i, i = 1,..., (1.1 où ξ i est tel que E[ξ i X i ] =. Si l o suppose de plus que les erreurs ξ i sot idépedates les ues des autres et suivet la loi Gaussiee cetrée de variace σ 2, alors la loi des observatios (X i, Y i est etièremet caractérisée par les paramètres α, β et σ. C est pourquoi, das la littérature statistique, ce modèle est souvet cosidéré comme l exemple type d u modèle paramétrique. Cepedat, cette cosidératio doit être uacée. E réalité, il est coseillé d appliquer les métodes classiques de statistique au modèle (1.1 seulemet das le cas où la dimesio p de β est sigificativemet plus petite que, la taille de l écatillo. Si et p sot comparables, ou ecore si p >, les métodes classiques devieet iefficaces. Il faut alors cercer de ouvelles approces pour effectuer ue iférece statistique. C est l objectif poursuivi par la statistique o-paramétrique. Le but de ce cours est de préseter les pricipes les plus basiques de la statistique oparamétrique e isistat sur leurs avatages et leurs limites. Pour éviter des dévelopemets
6 6 Itroductio Capitre 1 très teciques, ous ous cocetros uiquemet sur l étude de deux modèles : l estimatio de desité et l estimatio de la foctio de régressio. Par ailleurs, ous préseteros uiquemet la facette de la statistique o-paramétrique cocerat le lissage et e parleros pas du tout d ue autre facette, istoriquemet plus aciee, qui est l iférece basée sur les rags. Le modèle de desité est u modèle simple qui permet de tester les différetes iovatios statistiques sas retrer das des calculs très fastidieux. Cepedat, certaies métodes comme, par exemple, l estimatio par projectio sot plus faciles à préseter das le modèle de régressio. C est la raiso pour laquelle o se focalise sur ces deux modèles. La démarce géérale pour effectuer ue iférece statistique das des problèmes oparamétriques peut être décomposée e trois étapes suivates. 1. Trouver ue famille { f : > } de foctios simples qui approcet bie la foctio icoue f, c est-à-dire dist( f, f lorsque. O dit alors que dist( f, f est l erreur d approximatio. 2. Au lieu d effectuer ue iférece statistique sur f, faire comme si le vrai paramètre était f et appliquer ue métode de statistique paramétrique classique : métode du maximum de vraisemblace, métode des momets ou métode de cotraste miimale pour l estimatio, test de Neyma-Pearso, test du rapport de vraisemblace ou test de Wald pour les tests d ypotèses. O obtiet aisi ue procédure statistique d ˆ (estimateur ou test. O appelle alors erreur statistique, ote par r( d ˆ, le risque de la procédure d ˆ calculé e utilisat f comme vraie valeur du paramètre f. 3. Coisir le paramètre de faço optimale. D ue part, das la plupart des cas, l erreur statistique r( d ˆ est ue foctio décroissate de. D autre part, le risque associé à la parocédure d ˆ das le problème d origie où f est le paramètre icou se calcule comme ue foctio F ( dist( f, f ; r( d ˆ qui est décroissate par rapport à cacu des deux argumets. Comme les foctios dist( f, f et r( d ˆ ot des ses de variatio opposés, la miimisatio du risque total F ( dist( f, f ; r( d ˆ e foctio de se fait par u compromis etre l erreur d approximatio dist( f, f et l erreur statistique r( d ˆ. Pour termier cette itroductio, ous allos reformuler la défiitio de statistique oparamétrique. La statistique o-paramétrique étudie des problèmes statistiques das lesquels la paramétrisatio est pas cosidérée comme figée, mais il y a ue liberté de coix etre plusieurs paramétrisatio et le but est de trouver celle qui coduit vers les procédures les plus performates.
7 2 Modèle de desité Tout au log de ce capitre, o suppose que les observatios X 1,..., X sot des variables idépedates de même loi (iid de desité f. Pour simplifier, o suppose que les X i sot à valeurs réelles et que f est la desité par rapport à la mesure de Lebesgue sur. Par coséquet, Prob(X i [a, b] = b a f (x dx, a, b. De plus, o supposera que f est deux fois cotiûmet différetiable. 2.1 Estimatio par istogrammes La faço la plus simple d estimer la desité f à partir des doées est l estimatio par istogramme. Afi d éviter des complicatios d ordre tecique, ous supposeros das ce paragrape que f est à support compact. De plus, sas perte de gééralité, ous pouvos supposer que le support de f est iclus das l itervalle [, 1] Défiitio et propriétés de base Pour commecer, o coisit ue partitio uiforme C 1,..., C m de l itervalle [, 1[ : [ j 1 C j = m, j [, j = 1,..., m. m Comme f est supposée être cotiue, pour m suffisamet grad, elle est bie approcée par des foctios e escalier, costates par morceaux sur les itervalles {C j }. Pour que os otatios reste e accord avec l approce géérale décrite das l itroductio, o pose = 1/m et o approce f par la foctio f (x = m p j 1l C j (x,
8 8 Modèle de desité Capitre 2 où p j = C j f (x dx. O ramèe aisi le problème d estimatio de f au problème d estimatio d u paramètre m-dimesioel p = (p 1,..., p m. Ceci peut se faire e utilisat, par exemple la métode gééralisée des momets. E effet, il est évidet que p j = f (x dx = E f [1l Cj (X 1 ], j = 1,..., m. C j Par coséquet, il est aturel d estimer le vecteur p par ˆp = ( ˆp 1,..., ˆp m, ˆp j = 1 1l Cj (X i. Observos au passage que caque ˆp j représete la proportio des observatios X i se trouvat das l itervalle C j. Si la taille de l écatillo est grade, il est légitime de s attedre à ce que cette proportio, dite empirique, coverge vers la proportio téorique correspodat à la probabilité qu ue observatio tirée au asard selo la desité f appartiet à l itervalle C j. Par substitutio, ous défiissos l estimateur de f par istogramme à m classes comme suit : ˆf (x = 1 m ˆp j 1l Cj (x. Das la termiologie statistique, o dit que caque C j est ue classe et la logueur des classes est ue feêtre. Exercice 2.1. Vérifier que l estimateur par istogramme ˆf est ue desité de probabilité. emarque 2.1. Das les applicatios, très souvet o utilise le terme istogramme pour la foctio ˆf (x, ce qui correspod à la proportio d observatios par itervalle C j. FIGUE 2.1 A gauce : ue desité de probabilité et so approximatio costate par morceaux sur les itervalle [j/1, (j + 1/1[ pour j = 1,..., 1. A droite : La même desité que celle du grape de gauce et ue estimatio par istogramme basée sur u écatillo de taille 4.
9 Sectio 2.1 Estimatio par istogrammes Exemple : répartitio des galaxies A titre d exemple, cosidéros u jeu de doées astroomiques étudiées das le livre de Wasserma et dispoibles sur sa page WEB : ttp:// Ce qu o veut motrer sur cet exemple, avat toute autre cose, est que le coix de la feêtre a u impact très importat sur la qualité d estimatio de la desité f par l istogramme ˆf. Le jeu de doées astroomiques précité cotiet 1253 valeurs umériques ; caque valeur correspod au décalage vers le rouge (edsift d u objet astroomique (galaxie, quasar,... Cette valeur peut être iterprétée comme la distace etre la terre et l objet e questio. L estimatio de la desité des edsifts est importat e pratique, car elle permet de detecter des clusters de galaxies. FIGUE 2.2 Les istogrammes des doées d astroomie correspodat aux ombres de classes m = 18, m = 16 et m = 85. Nous avos tracé das la figure ci-dessus les istogrammes des doées astroomiques basées sur 18, 16 et 85 classes. O costate que ces trois grapiques ot présetet des différeces très importates. Plus précisémet, le grape qui correspod à m = 18 est bie plus régulier que les deux autres. Das la termiologie statistique, o dit que l istogramme de gauce est trop lissé (e aglais oversmootig alors que l istogramme de droite est pas lissé sufisammet (udersmootig. U problème crucial du poit de vu des applicatios est doc de trouver la feêtre qui correspod au lissage optimal. L ue des métodes les plus utilisées fourissat ue feêtre proce de l optimale est la métode de validatio croisée. La défiitio précise de cette métode sera doée plus tard das ce capitre. Notos simplemet qu elle cosiste à défiir ue foctio Ĵ de (ou, de faço équivalete, de m qui est ue estimatio du risque de l estimateur ˆf. Naturellemet, la valeur de est coisie e miimisat ce risque estimé. Lorsqu o effectue ue validatio croisée sur les doées astroomiques, o obtiet la courbe ci-dessous pour la foctio m Ĵ(m et le miimum de cette foctio est atteit au poit ˆm = 163. FIGUE 2.3 La courbe de la foctio Ĵ(m. Le miimum est atteit au poit m = 163.
10 1 Modèle de desité Capitre isque de l estimateur par istogramme Comme o a costaté sur l exemple des doées astroomique, la qualité de l estimateur par istogramme déped fortemet de la feêtre. Afi de quatifier cette dépedace, ous itroduisos le risque quadratique de ˆf au poit x [, 1] comme état la moyee de l erreur quadratique : MSE f (x, = E f [ ( ˆf (x f (x 2 ], où l abbréviatio MSE correspod à Mea Squared Errror. Afi d évaluer le MSE, o utilise d abord la décompositio biais-variace : MSE f (x, = ( E f [ ˆf (x] f (x 2 + Var f [ ˆf (x]. } {{ } } {{ } carré du biais variace Soit j l idice de la classe coteat x ; x C j. emarquos que ˆf (x = ˆp j = 1 1l Cj (X i = Z j, Z j B(, p j, (2.1 car Z j est la somme de variables idépedates de loi de Beroulli de paramètre P f (1l Cj (X 1 = 1 = P f (X 1 C j = f (x dx = p j. C j Il e découle immédiatemet que pour tout x C j, E f [ ˆf (x] = p j, Var f [ ˆf (x] = p j(1 p j 2 2 = p j(1 p j 2. (2.2 Ue première coséquece de ces formules est que le risque MSE est supérieur au carré du biais ( 1 p j f (x 2. Par coséquet, si la feêtre est coisie idépedammet de la taille de l écatillo, l estimateur par istogramme e covergera pas vers la vraie desité lorsque excepté la situatio peu fréquete où f est costate sur l itervalle C j. Afi d élargir la classe des desités pour lesquelles ˆf est coverget, ous devos coisir comme ue foctio de ; = doit tedre vers lorsque ted vers +. A partir de maiteat, o suppose que cette coditio est satisfaite. appelos que le but de ce paragrape est d évaluer le risque de l estimateur ˆf. Afi d avoir ue évaluatio globale valable pour tout poit x [, 1], o cosidère le risque quadratique itégré : MISE f ( = [,1] [ 1 ( MSE f (x, dx = E f ˆf (x f (x ] 2 dx (pour obteir la derière égalité ous avos utilisé le téorème de Foubii. D ue part, e vertu de la propriété j p j = 1 1 Var f [ ˆf (x] dx = m Var f [ ˆf (x] dx = C j f (x dx = 1, o a m p j (1 p j = 1 1 m p 2 j.
11 Sectio 2.1 Estimatio par istogrammes 11 D autre part, 1 { E f [ ˆf (x] f (x } 2 dx = m = = m 1 Nous avos doc démotré le résultat suivat : C j ( pj f (x 2 dx p 2 j 2 p 1 j f (x dx + f 2 (x dx C j f 2 (x dx 1 m p 2 j. Lemme 2.1. Si X 1,..., X sot idépedates de même loi de desité f supportée par [, 1] et ˆf est l estimateur par istogramme avec m = 1/ classes, alors [ 1 ( MISE f ( = E f ˆf (x f (x ] 2 dx = 1 f 2 (x dx m p 2 j. Le résultat du Lemme 2.1 est o-asymptotique : il est valable pour tout et pour tout. Ce qui ous itéresse maiteat c est le comportemet du risque MISE lorsque = décroit vers zéro quad ted vers +. O vérifie aisémet que ( f (x 2 dx 1 p 2 j = f (x 1 2 f (u du dx C j C j C j = 1 ( { 2 f (x f (u} du 2 dx. C j C j Comme f est supposée deux fois cotiûmet différetiable, o a f (u f (x = (u x f (a j + O( 2 pour tout u, x C j, où a j désige l extrémité gauce de l itervalle C j. Par coséquet, f (x Cj 2 dx 1 p 2j = f (a j 2 ( 2 2 (x u du dx + O( 4. C j E utilisat le cagemet de variable (x, u = (a j + y, a j + z, o obtiet Nous avos doc démotré que E coséquece, C j C j ( 2 1 ( 1 2 (x u du dx = 5 (y z dz dy = 5 C j 12. f (x Cj 2 dx 1 p 2j = 3 12 f (a j 2 + O( 4 = 2 f (x 2 dx + O( C j m ( MISE f ( = f (x 2 dx 1 p 2 j C j = m p 2 j f (x 2 dx + O( O(1/,
12 12 Modèle de desité Capitre 2 où ous avos utilisé la relatio mo( 4 = O( 3. Ces calculs implique doc le résultat suivat : Téorème 2.1. Supposos que la desité de l écatillo X 1,..., X est deux fois cotiûmet différetiable et s aule e deors de l itervalle [, 1]. Si la feêtre de l estimateur par istogramme ˆf est telle que lorsque, alors lorsque. MISE f ( = f (x 2 dx + 1 } {{ } terme pricipal du risque ( 1 + O( 3 + O } {{ } terme résiduel Supposos u istat qu o caaît la quatité 1 f (x 2 dx. Das ce cas, o peut calculer le terme pricipal du risque MISE f (. Cela ous permet de trouver la valeur idéale de la feêtre qui miimise le terme pricipal du risque. E effet, o voit aisémet que le miimum de la foctio 2 1 f (x 2 dx est atteit au poit ( 1 1/3. opt = f (x dx 2 6 Cette feêtre optimale est e gééral iaccessible au statisticie, car la desité f (aisi que sa dérivée est icoue. Cepedat, elle a le mérite de ous idiquer que la feêtre optimale doit être de l ordre de 1/3 lorsque est grad. De plus, e ijectat cette valeur de das l expressio de MISE obteue das le téorème précédet, o obtiet MISE f ( opt = (3/4 2/3( 1 1/3 f (x dx 2 2/3 + O( 1. Ce résultat ous idique les limites de l estimateur par istogramme : pour les desités deux fois différetiables, la meilleure vitesse de covergece qu o puisse espérer atteidre avec u estimateur par istogramme est de 2/3. Cette ue vitesse oorable, mais elle est ettemet mois boe que la vitesse de covergece 1/ qui apparaît typiquemet das des problèmes paramétriques. Ceci est pas très surpreat, car l estimatio de desité est u problème o-paramétrique et, par coséquet, est plus difficile à résoudre qu u problème paramétrique. E revace, o verra par la suite que, sous les mêmes ypotèses que celles cosidérées das ce paragrape, o peut costruire u autre estimateur de la desité f qui coverge à ue meilleure vitesse 4/5. L estimateur qui atteit cette vitesse s appelle estimateur à oyau et o peut démotrer que cette vitesse e peut pas être améliorée sas imposer de ouvelles coditio sur f Coix de la feêtre par validatio croisée Comme o l a déjà fait remarquer, la feêtre idéale opt défiie das le paragrape précédet est iutilisable e pratique car elle fait iterveir la desité icoue f à travers
13 Sectio 2.1 Estimatio par istogrammes 13 l itégrale du carré de sa dérivée. Afi de désiger ue métode de coix de idépedat de f, ous commeços par estimer le risque 1 de l estimateur f e utilisat uiquemet les observatios X 1,..., X. Soit Ĵ(, X 1,..., X u estimateur de MISE f ( f 2 2. Pour que la métode de sélectio de coduise vers des résultats raisoable, o demade de l estimateur Ĵ(, X 1,..., X être sas biais 2, c est-à-dire E f [Ĵ(, X 1,..., X ] = MISE f ( f 2 2. Ue fois que ous avos à otre dispositio cet estimateur Ĵ, o détermie la valeur de e miimisat Ĵ(, X 1,..., X par rapport à ], [. La valeur de où ce miimum est atteit est sélectioée comme feêtre pour l estimateur par istogramme. Voyos maiteat commet cette métode peut être effectivemet mise e oeuvre. Pour toute desité f et pour tout istogramme ˆf, soit J f ( = MISE f ( f 2 2 = m p 2 j, (2.3 e vertu du Lemme 2.1. appelos que p j représete la proportio téorique des observatios qui se situet das la classe C j, pour tout j = 1,..., m. Il découle de cette rélatio que pour désiger u estimateur sas biais de J f (, il suffit de désiger u estimateur sas biais de p 2 j, pour tout j = 1,..., m. Ue approce aïve cosisterait à estimer p2 j par ˆp 2 j, où ˆp j = 1 1l Cj (X i est la proportio empirique des observatios se situat das C j. Comme ˆp j suit la loi biômiale de paramètres (, p j, o a Var f [ ˆp j ] = p j (1 p j / et, par coséquet, E f [ ˆp 2 j ] = Var f [ ˆp j ] + (E f [ ˆp j ] 2 = p 2 j ( p j. (2.4 Cette égalité ous motre d ue part que l idée aïve d estimer p 2 j par ˆp 2 j e coduit pas vers u estimateur sas biais. Mais, d autre part, ce petit calcul que ous veos d effectuer prépare le terrai pour détermier l estimateur utilisé par la métode de validatio croisée. E effet, comme ˆp j est u estimateur sas biais de p j, il résulte de (2.4 que ˆp 2 j ˆp j/ est u estimateur sas biais de p 2 j (1 1/. Par coséquet, pour tout j = 1,..., m, p 2 j = ˆp2 j ˆp j/ 1 1/ = 1 ˆp2 j 1 1 ˆp j est u estimateur sas biais de p 2 j. E ijectat cet estimateur das le membre droit de l égalité (2.3 et e utilisat le fait que m ˆp j = 1, ous obteos le résultat suivat. 1. E pratique, il est préférable d estimer o pas le risque MISE f ( de f, mais la différece etre le risque de f et celui de l estimateur trivial f triv. 2. Idéalemet, il faudrait égalemet pouvoir cotrôler la variace de Ĵ(, X 1,..., X, mais cet aspect e sera pas évoqué das le cadre de ce cours.
14 14 Modèle de desité Capitre 2 Propositio 2.1. Si f est ue desité de carré itégrable et si ˆf est l istogramme à m = 1/ classes basé sur l écatillo X 1,..., X ayat f pour desité de probabilité, alors Ĵ(, X 1,..., X = est u estimateur sas biais de MISE f ( f ( m ( 1 ˆp 2 j Nous pouvos à préset éocer la métode de validatio croisée. Nous allos le faire das le cadre gééral, sas supposer que les observatios sot icluses das [, 1]. Das ce cas, o peut poser a = mi i X i et b = max i X i et pour tout m N coisir la feêtre = (b a/m. O défiit alors les classes C j = [a + (j 1; a + j[ pour j = 1,..., m 1 et C m = [b ; b]. Algoritm de validatio croisée pour coisir la feêtre d u istogramme. Etrée : X 1,..., X ; Sortie : ĥcv ; Défiir a mi i X i ; b max i X i ; Iitialiser m 1 ; m CV 1 ; J CV 1 ; Tat que (m < effectuer : Fi Tat que Poser J Si (J < J CV alors m CV m ; J CV J ; FiSi m m + 1 ; ĥ CV (b a/m CV ; 2m ( + 1m 1 1 m ( 1 1l Cj (X i 2 ; Ue fois la feêtre ĥcv détermiée, ous pouvos calculer et tracer la courbe de l istogramme ayat comme feêtre ĥcv. 2.2 Estimateur à oyau L estimatio de la desité par istogrammes est ue métode aturelle très répedue car elle est facilemet implémetable. Cepedat, l estimateur de desité fourit par u istogramme e peut pas être adapté à la situatio assez courat où ous disposos d ue
15 Sectio 2.2 Estimateur à oyau 15 iformatio à priori sur la régularité de la desité à estimer. Plus précisémet, si l o sait par avace que la desité de l écatillo observé est, par exemple, deux fois cotiûmet différetiable, o aurait aturellemet evie d estimer cette desité par ue foctio qui, elle aussi, est deux fois cotiûmet différetiable. Or, les istogrammes sot des foctios qui e sot même pas cotiues. Il est aturel alors de vouloir lisser les istogrammes. O s atted alors à ce que le résultat du lissage améliore o seulemet l aspect visuel de l estimateur, mais produise de plus u estimateur plus proce de la vraie desité que l estimateur par istogramme Défiitio et propriétés élémetaires Soit x et >. Si l o suppose que x est le cetre d ue classe de l istogramme et que est la logueur des classes, l estimateur de f (x par istogramme peut s écrire comme f H (x = 1 1l( X i x /2 = 1 ( Xi x 1l 1. 2 Ue faço de gééraliser les istogramme cosiste à utiliser la formule ci-dessus pour tout x et pas seulemet pour les cetres des classes. Cette gééralisatio est certe utile, car elle coduit vers u estimateur qui est costat par morceaux comme les istogrammes, mais a l avatage d avoir des plateaux de logueurs variables. Cepedat, cela e ous coduit pas vers u estimateur cotiu. O remarque aisémet que la discotiuité de l estimateur défii ci-dessus est ue coséquece de la discotiuité de la foctio idicatrice. Par coséquet, e remplaçat 1l( z 1 2 par ue foctio K quelcoque, o obtiet l estimateur f K(x = 1 ( Xi x K qui est cotiu et même l-fois cotiûmet différetiable du momet où la foctio K l est. O arrive aisi à la défiitio suivate. Défiitio 2.1. Soit K : ue foctio quelcoque et soit u réel positif. O appelle estimateur à oyau la foctio f K(x = 1 K ( Xi x O dit alors que K est le oyau de cet estimateur et est la feêtre.. (2.5 Selo cette défiitio, toute foctio K peut servir comme oyau d estimatio d ue desité f. Les oyaux les plus courammet utilisés e pratique sot le oyau rectagulaire : K(u = 1 2 1l [ 1,1](u, le oyau triagulaire : K(u = (1 u 1l [ 1,1] (u,
16 16 Modèle de desité Capitre 2 le oyau d Epaecikov : K(u = 3 4 (1 u2 1l [ 1,1] (u, le oyau gaussie : K(u = 1 2π e u2 /2. Les courbes de ces oyaux sot présetées ci-dessous : Lemme 2.2. Si K est positive et K(u du = 1, alors f K ( est ue desité de probabilité. De plus, est cotiue si K est cotiue. f K Démostratio. L estimateur à oyau est positive et cotiue car la somme des foctios positives et cotiues est elle-même ue foctio positive et cotiue. Il faut doc vérifier que l itégrale de f K ( vaut u. E effet, f K (x dx = = 1 = 1 1 ( Xi x K ( Xi x K dx dx K(u du = 1. (u = (X i x/ O voit doc que, tout comme l estimateur par istogramme, l estimateur à oyau est ue desité de probabilité. Il a de plus l avatage d être cotiu à coditio que K le soit, ce
17 Sectio 2.2 Estimateur à oyau 17 qui était pas le cas pour les istogrammes. Par coséquet, lorsqu o estime ue desité cotiue, il est aturel de s attedre que l estimateur à oyau soit meilleur que l estimateur par istogramme. Le but de la suite de ce capitre est de doer des résultats quatitatives caractérisat le gai obteu par l utilisatio de f K par rapport à f H Etude du biais et de la variace Lorsqu o défiit u estimateur à oyau, o a o-seulemet le coix de la feêtre > mais aussi celui du oyau K. Il y a u certai ombre de coditios qui sot cosidérées comme usuelles pour les oyaux et qui permettet d aalyser le risque de l estimateur à oyau qui e résulte. HYPOTHÈSE K : O suppose que K vérifie les 4 coditios suivates : 1. K(u du = 1, 2. K est ue foctio paire ou, plus gééralemet, u K(u du =, 3. u2 K(u du <, 4. K(u2 du <. Propositio 2.2. Si les trois premières coditios de l ypotèse K sot remplies et f est ue desité borée dot la dérivée secode est borée, alors Biais ( K f (x C 1 2, où C 1 = 1 2 sup z f (z u2 K(u du. Si, de plus, la coditio 4 de l ypotèse K est satisfaite, alors avec C 2 = sup z f (z K(u2 du. Var ( f K (x C 2 Démostratio. Commeços par calculer le biais : E f [ f K(x] = 1 ( Xi x ] E f [K = 1 ( y x K f (y dy = 1 ( y x K f (y dy (y = x + u, dy = du = K(u f (x + u du. E effectuat u dévelopemet limité à l ordre 2, il viet E f [ f K(x] = K(u f (x + u du = K(u [ f (x + (u f (x + (u2 f (ξ u ] du (ξ u [x, x + u] 2 = f (x K(u du + f (x uk(u du + 2 u 2 K(u f (ξ u du. } {{ } } {{ } 2 =1 =
18 18 Modèle de desité Capitre 2 Il e résulte que ( Biais f K (x = E f [ f K(x] f (x 2 u 2 K(u f (ξ u du 2 2 u 2 K(u f (ξ u du 2 2 max x f (x u 2 K(u du 2 } {{ } d où la première assertio de la propositio. Pour prouver la secode assertio, o utilise le faite que les variables aléatoires Y i = K ( (X i x/, i = 1,..., sot i.i.d. et que la variace de la somme de variables idépedates coïcide avec la somme des variaces : Var f [ f K(x] = 1 [ ( ( 2 Var Xi x ] f K = 1 ( Xi x ] ( 2 Var f [K = 1 [ ( ( 2 Var X1 x ] f K 1 [ ( 2 E X1 x 2 ] f K = 1 ( y x 2 2 K f (y dy (y = x + u, dy = du = 1 K(u 2 f (x + u du 1 f (z K(u 2 du. z } {{ } C 2 C est exactemet ce qu il fallait démotrer. C Quelques remarques Les évaluatios du biais et de la variace que l o viet de démotrer ot u certai ombre de coséqueces résumées ci-dessous. Vitesse de covergece : O déduit de la Propositio 2.2 que le risque MSE de ˆf K (x admet la majoratio suivate : MSE ( ˆf K (x C C 2. O vérifie aisémet que la valeur de la feêtre qui miimise le majorat du MSE est opt = (C 2 /4C 2 1 1/5 1/5. E ijectat cette valeur das l expressio du MSE o obtiet : MSE ( ˆf K opt (x Cost 4/5.
19 Sectio 2.2 Estimateur à oyau 19 Cela motre que la vitesse de covergece de l estimateur à oyau est de 4/5. Elle est doc meilleure que la vitesse 2/3 obteue pour les istogrammes. Par coséquet, les estimateurs à oyau sot préférables aux istogrammes lorsqu il s agit d estimer ue desité deux fois cotiûmet différetiable. Optimalité de la vitesse : O peut démotrer qu il est impossible d estimer f à ue vitesse meilleure que 4/5 sas imposer des ypotèses supplémetaires (de régularité ou de structure sur la desité icoue f. Sur-lissage et sous-lissage : Lorsque la feêtre est très petit, le biais de l estimateur à oyau est très petit face à sa variace et c est cette derière qui détermie la vitesse de covergece du risque quadratique. Das ce type de situatio, l estimateur est très volatile et o parle de sous-lissage (uder-smootig, e aglais. E revace, lorsque gradit, la variace deviet petite et c est le biais qui deviet domiat. L estimateur est alors très peu variable et est de mois à mois ifluecé par les doées. O parle alors d u effet de sur-lissage (over-smootig e aglais. E pratique, il est primordial de trouver la boe dose de lissage qui permet d éviter le sous-lissage et le sur-lissage. Décriptage de la vitesse de covergece : O peut se demader d où vieet le 4 et lle 5 das la vitesse de covergece 4/5 présetée ci-dessus. E fait, si l o estime ue desité o pas uivariée, mais d-variée 3, et l o suppose que f est k fois cotiûmet différetiable, alors la vitesse de covergece optimale est de 2k /(2k + d. Das le cas où d = 1 et k = 2, o retrouve la vitesse 4/5. Comparaiso avec le cadre paramétrique : Das la téorie statistique paramétrique classique, la vitesse de covergece usuelle pour le risque quadratique est de 1, où est le ombre d observatios. O voit que la vitesse 4/5 obteue pour l estimateur à oyau est meilleure que 2/3 obteu pour l estimateur par istogramme mais reste quad-même iférieure à la vitesse paramétrique. Ceci est tout à fait aturelle et traduit la complexité de l estimatio o-paramétrique comparée à l estimatio paramétrique. O peut remarquer égalemet que lorsque la régularité de la desité ted vers l ifiie (β, la vitesse de covergece se rapproce de plus e plus de la vitesse paramétrique. Exercice 2.2. Soit β >, L > et soit 4 k = β. O suppose que la desité f appartiet à la classe de Hölder H (β, L défiie par : f H (β, L f C k et f (k (y f (k (x L x y β k, x, y. 1. Motrer que si le oyau K vérifie les coditios K et uj K(u =, j = 1,..., k, et u β K(u du < alors il existe des costates C 1 et C 2 telles que MSE f [ ˆf K (x] C 1 2β + C E déduire la valeur opt de la feêtre qui miimise le majorat du risque. Quelle est la vitesse de covergece du risque associé à cette feêtre optimale? 3. Motrer que si le oyau K vérifie les coditios ci-dessus et si β > 2, alors l estimateur ˆf K est pas ue desité de probabilité. 3. c est-à-dire f : d 4. β désige le placer de β, c est-à-dire le plus grad ombre etier strictemet plus petit que β
20 2 Modèle de desité Capitre Validatio croisée Pour désiger ue métode automatique pour le coix de la feêtre, o utilise souvet la métode de la validatio croisée. Il s agit de proposer das u premier temps (pour u fixé u estimateur Ĵ( sas biais de la quatité J( = MISE( ˆf K f 2 2 et, das u deuxième temps, de miimiser cet estimateur Ĵ( sur u esemble fii de cadidats pour. Propositio 2.3. La statistique Ĵ( = ˆf K 2 2 est u estimateur sas biais de J(. 2 ( 1,j =i ( Xi X j K Démostratio. D ue part, comme la desité joite du couple (X i, X j est f (x f (y, o a E f [Ĵ(] = E f [ ˆf K ( ] 2 Xi X j 2 2] ( 1 E f [K,j =i = E f [ ˆf K ( 2 x y 2 2] ( 1 K f (x f (y dxdy,j =i 2 = E f [ ˆf ( K 2 x y 2 2] ( 1 ( 1 K f (x f (y dxdy 2 = E f [ ˆf K 2 2] 2 ( x y f (x f (y dxdy. D autre part, 2 K J( = MISE( ˆf K f 2 2 = E f [ ˆf K f 2 2] f 2 2 = E f [ ˆf K ˆf ] K, f + f 2 2 f 2 2 [ = E f K ˆf 2 ] [ ] 2 2E f ˆf K(x f (x dx [ = E f K ˆf 2 ] [ 2 2 E f ˆf K (x ] f (x dx. [ Or, o a vu déjà (voir la démostratio de la Prop. 2.2 que E f ˆf K (x ] = 1 Par coséquet, [ J( = E f K ˆf 2 ] [ 2 2 E f ˆf K (x ] f (x dx [ = E f K ˆf 2 ] 1 ( y x 2 2 K f (y dy f (x dx [ = E f K ˆf 2 ] 2 ( y x 2 K f (y f (x dy dx = E f [Ĵ(], ce qui équivaut à dire que Ĵ( est u estimateur sas biais de J(. K( y x f (y dy. E utilisat cet estimateur Ĵ(, o défiit l algoritm de validatio croisée (cross validatio, e aglais de la même maière que pour les estimateurs par istogramme.
21 Sectio 2.3 Exercices Exercices
22
23 3 Modèle de régressio 3.1 Défiitios 3.2 égressogrammes 3.3 Moyee Locale 3.4 Estimateur à Noyau 3.5 Estimateur par Polyômes Locaux Défiitio et Propriétés de bases Etude du Biais et de la Variace Vitesse de covergece 3.6 Lissage Liéaire et Validatio Croisée 3.7 Estimatio de la Variace 3.8 Exemple 3.9 Exercices
Limites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailContribution à la théorie des entiers friables
UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailTests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret
Tests o paramétriques de spécificatio pour desité coditioelle : applicatio à des modèles de choix discret Mémoire Koami Dzigbodi AMEGBLE Maîtrise e écoomique Maître ès arts (M.A.) Québec, Caada Koami Dzigbodi
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailLa tarification hospitalière : de l enveloppe globale à la concurrence par comparaison
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailMobile Business. Communiquez efficacement avec vos relations commerciales 09/2012
Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailLogiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd
easylab Le logiciel de gestio de fichiers pour baladeurs et tablettes Visualisatio simplifiée de la flotte Gestio des baladeurs par idividus / classes / groupes / activités Activatio des foctios par simple
Plus en détailSommes de signaux : Décomposition de Fourier Spectre ondes stationnaires et résonance
Sommes de sigaux : Décompositio de Fourier Spectre odes statioaires et résoace Das le cours précédet, o a étudié la propagatio des odes moochromatiques mais celles-ci e peuvet pas porter d iformatio ;
Plus en détailNeolane Leads. Neolane v6.0
Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
Plus en détailSimulations interactives de convertisseurs en électronique de puissance
Simulatios iteractives de covertisseurs e électroique de puissace Jea-Jacques HUSELSTEIN, Philippe ENII Laboratoire d'électrotechique de Motpellier (LEM) - Uiversité Motpellier II, 079, Place Eugèe Bataillo,
Plus en détailGuide des logiciels de l ordinateur HP Media Center
Guide des logiciels de l ordiateur HP Media Ceter Les garaties des produits et services HP sot exclusivemet présetées das les déclaratios expresses de garatie accompagat ces produits et services. Aucu
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailOne Office Voice Pack Vos appels fixes et mobiles en un seul pack
Uique! Exteded Fleet Appels illimités vers les uméros Mobistar et les liges fixes! Oe Office Voice Pack Vos appels fixes et mobiles e u seul pack Commuiquez et travaillez e toute liberté Mobistar offre
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détailÉchantillonnage et estimation
Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détail