COURS DE STATISTIQUE APPLIQUÉE

Dimension: px
Commencer à balayer dès la page:

Download "COURS DE STATISTIQUE APPLIQUÉE"

Transcription

1 UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba

2 Quelques références Droesbeke, Jean-Jacques, Fichet, Bernard, et Tassi, Philippe (eds), Modélisation ARCH. Théorie statistique et Applications dans le domaine de la finance, 1994, disponible en ligne Hurlin, Christophe, Econométrie pour la finance: Modèles ARCH-GARCH, Applications à la VaR, Master econométrie et Statistique appliquée, Université d Orléans, , disponible en ligne churlin_e.htm

3 1. Séries financières (1) 1. Propriétés Les séries financières sont des séries temporelles. Séries temporelles? «une série temporelle est un ensemble de valeurs enregistrées séquentiellement, par exemple tous les mois, ou tous les jours, ou encore transaction après transaction ( ) Dans la plupart des cas, et en particulier dans celui des séries financières, les séries [temporelles] sont des processus stochastiques, très bruités et non stationnaires.» (M. Faignart et C. Hemptine) Observons quelques séries financières:

4 1. Séries financières (2)

5 1. Séries financières (3) Quels enseignements tirer de ces graphiques? Télécharger et lire A chapitre_12.pdf Rappel des mesures de statistique descriptive Processus stochastiques, très bruités, non stationnaires? C est quoi un processus stochastique? «Une suite de variables aléatoires définies sur la même période de temps» Assignment: C est quoi un processus stochastique bruité? C est quoi un processus stochastique non stationnaire?

6 Rappel des mesures de statistique descriptive Données de la valeur en bourse de l action de GE Co. (valeurs hebdomadaires 1972-janvier 2010) Stock GE Data.xlsx Tracer le graphique à deux axes (valeurs d ouverture et de clôture, volume) Calculer les mesures descriptives

7 Les moments Un moment d ordre r (r entier positif) par rapport à une valeur a est une quantité : n r i am = r = Le moment est donc la moyenne arithmétique des puissances d ordre r des écarts de X i par rapport à a. 1 ( X a) i n Si a = X le moment d ordre 2 (r = 2) n est rien d autre que la variance. Si a = 0 lemoment d' ordre1est lamoyenne arithmétique X Le moment est donc un concept qui permet de généraliser plusieurs définitions. Suivant la valeur de a on peut définir :

8 Processus stochastiques «Les processus stochastiques (ou aléatoires) permettent de modéliser des systèmes dont le comportement n'est que partiellement prévisible. La théorie est fondée sur le calcul des probabilités et les statistiques. Les domaines d'application sont très nombreux [la statistique de la finance est l un d entre eux]...» Définition: «Un processus stochastique (ou processus aléatoire) est une suite de variables aléatoires (définies sur le même espace probabilisé Ω) indicées par t.» Un processus Y (Y t, tєz) ou (Y t, tєn) se définit ainsi comme l ensemble des distributions finies des variables aléatoires (Y t1,, Y tk ) pour tout k et pour tout k-uple (t 1,, t k ).

9 Propriétés des séries financières Cf. Hurlin C. ( pp Aussi Econometrie_Finance_Slides_Partie2.pdf P.1: «Les processus stochastiques p t associés aux prix d actif sont généralement non stationnaires.» P.2: «La série r 2 t associée aux carrés des rendements présente généralement de fortes auto-corrélations tandis que les auto-corrélations de la série r t sont souvent très faibles (hypothèse de bruit blanc).» P.3: «L hypothèse de normalité des rendements est généralement rejetée.» P.4: «on observe empiriquement que de fortes variations des rendements sont généralement suivies de fortes variations.» à volatilité Etc.

10 Bruit blanc Dans l'étude des séries temporelles en statistique, il est souvent utile de définir un processus de bruit blanc également dans le domaine temporel. Les définitions présentées ici sont faites pour des processus à temps discret et à valeurs continues. Selon Hamilton (Time Series Analysis, Princeton University Press, 1994, p 47): «Un processus ε t est qualifié de bruit blanc si Un processus de bruit blanc est donc par définition stationnaire de second ordre. La troisième condition, E[ε t ε τ ] = 0, (ou ), signifie que l'autocovariance est nulle. Un processus ε t est qualifié de bruit blanc indépendant si : ε et ετ sont indépendants t τ t

11 Modèles d analyse Cf. Drosbebeke et al. ( DL _000_f.pdf), Chapitre 1. Modèles de régression Analyse mutivariée Modèles de séries chronologiques (ARMA) Théorie de la décision Modèles ARCH

12 Modèles ARMA Étant donné une série temporelle X t, le modèle ARMA est un outil pour comprendre et prédire, éventuellement, les valeurs futures de cette série. Le modèle est composé de deux parties: une part autorégressive (AR) et une part moyennemobile (MA). Le modèle est généralement noté ARMA(p,q), où p est l'ordre de la partie AR et q l'ordre de la partie MA. La notation AR(p) réfère au modèle autorégressif d'ordre p. Le modèle AR(p) se note où φ i, i= 1,, p sont les paramètres du modèle, c est une constante et ε t un Bruit blanc. La constante est bien souvent omise dans la littérature.

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température 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 détail

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations 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 détail

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

1 Définition de la non stationnarité

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 détail

L'analyse chronologique au sein de l'entreprise industrielle

L'analyse chronologique au sein de l'entreprise industrielle François S. Chaghaghi L'analyse chronologique au sein de l'entreprise industrielle Berne PETER LANG Francfort-s. Main New York TABLE DES MATIERES INTRODUCTION: La planification de la production au sein

Plus en détail

Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe

Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe Université de Nantes UFR des Sciences et Techniques Département de Mathématiques Master 2 Ingénierie mathématique 2012-2013 Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe Étude préliminaire

Plus en détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

Problématique de la «base empirique» : l exemple des trajectoires boursières

Problématique de la «base empirique» : l exemple des trajectoires boursières Analyse critique des certitudes actuarielles Problématique de la «base empirique» : l exemple des trajectoires boursières Christian Walter Dirigeant fondateur de H&W Conseil Professeur associé à l IAE

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Sta$s$que Appliquée à la Finance Sous la coordina$on du Professeur Daniel Mukoko Samba

Sta$s$que Appliquée à la Finance Sous la coordina$on du Professeur Daniel Mukoko Samba Sta$s$que Appliquée à la Finance Sous la coordina$on du Professeur Daniel Mukoko Samba Par Jean Paul Tsasa Vangu Kimbambu Master en Economie [NPTCI] et Chercheur co accompli au Laboratoire d Analyse Recherche

Plus en détail

Faculté Polydisciplinaire de Tétouan Master Finance Islamique. M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance

Faculté Polydisciplinaire de Tétouan Master Finance Islamique. M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance Année Universitaire: 2014-2015 Faculté Polydisciplinaire de Tétouan Master Finance Islamique M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance Département de Statistique et Informatique

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en détail

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

Plus en détail

Université d Orléans - Licence Economie et Gestion Statistique Mathématique

Université d Orléans - Licence Economie et Gestion Statistique Mathématique Université d Orléans - Licence Economie et Gestion Statistique Mathématique C. Hurlin. Correction du Contrôle de Décembre 00 Exercice Barème : 7 points Partie I : Test d hypothèses simples (0 points) Question

Plus en détail

L analyse de variance à un critère de classification (ANOVA)

L analyse de variance à un critère de classification (ANOVA) Bio 041 L analyse de variance à un critère de classification (ANOVA) Pierre Legendre & Daniel Borcard, Université de Montréal Référence: Scherrer (007), section 14.1.1.1 et 14.1. 1 - Introduction Objectif:

Plus en détail

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens.

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. . Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. Benoîte de Saporta Université de Nantes Université de Nantes - 9 juin 2005 p. 1/37 Plan de l exposé 1.

Plus en détail

Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international

Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet

Plus en détail

La formation d actuaire au Maroc. Présentée par Mustapha LEBBAR Président de l AMA

La formation d actuaire au Maroc. Présentée par Mustapha LEBBAR Président de l AMA La formation d actuaire au Maroc Présentée par Mustapha LEBBAR Président de l AMA Sommaire Formation ponctuelles (1973 à 1989) Formation régulière (depuis 1999) Projet de reforme encours Formations ponctuelles

Plus en détail

Programme détaillé des enseignements

Programme détaillé des enseignements Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

Modélisation de systèmes complexes et éléments de finance computationnelle

Modélisation de systèmes complexes et éléments de finance computationnelle Professeur Olivier BRANDOUY Modélisation de systèmes complexes et éléments de finance computationnelle Master Recherche (séance 6) 2009-2010 Olivier Brandouy - 2009/10-1 Plan de la séance 1. Faits stylisés,

Plus en détail

Version default Titre : Opérateur GENE_ACCE_SEISME Date : 20/08/2012 Page : 1/5 Responsable : Irmela ZENTNER Clé : U4.36.

Version default Titre : Opérateur GENE_ACCE_SEISME Date : 20/08/2012 Page : 1/5 Responsable : Irmela ZENTNER Clé : U4.36. Titre : Opérateur GENE_ACCE_SEISME Date : 20/08/2012 Page : 1/5 Opérateur GENE_ACCE_SEISME 1 But Cet opérateur permet de générer des accélérogrammes sismiques artificiels pour des calculs dynamiques transitoires.

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

Plus en détail

Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA

Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Auteurs : Abdoulaye DIAGNE et Abdou-Aziz NIANG Introduction Ceci devrait contribuer à réduire l écart entre

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché»

Exercice 2 du cours Management Bancaire : «Calcul de la VaR d une position de marché» Exercice du cours Management Bancaire : «Calcul de la VaR d une position de marché» La réglementation bancaire impose aux banques de maintenir un niveau de capital minimum pour absorber les pertes dues

Plus en détail

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

TESTS 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 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 détail

Modèles de prévision Séries temporelles

Modèles de prévision Séries temporelles Modèles de prévision Séries temporelles Arthur Charpentier 1 UQAM, ACT6420, Hiver 2011 15 mai 2012 1 charpentier.arthur@uqam.ca, url : http://freakonometrics.blog.free.fr/ 1 Contents 1 Introduction générale

Plus en détail

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr

Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Cette note examine les différences entre R et SAS dans l estimation des modèles ARIMA et SARIMA. Elle illustre

Plus en détail

Evaluation de la performance prédictive de modèles robustes

Evaluation de la performance prédictive de modèles robustes Evaluation de la performance prédictive de modèles robustes 1 olivier.schoeni@unifr.ch 1 Département d Informatique Université de Fribourg (Suisse) Table des matières 1 2 Tests sur la performance prédictive

Plus en détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

La régression sur données de panel

La régression sur données de panel La régression sur données de panel 1 I. Définition Les données utilisées en économétrie sont le plus souvent des séries chronologiques, tel le nombre de naissances enregistrées par an dans le département

Plus en détail

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste

Plus en détail

«Cours Statistique et logiciel R»

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

Plus en détail

Modèles GARCH et à volatilité stochastique

Modèles GARCH et à volatilité stochastique Christian Francq Chapitre 3: GARCH asymétriques Plan 1 Asymétrie des séries financières et inadéquation des GARCH standard 2 3 1 Asymétrie des séries financières et inadéquation des GARCH standard 2 3

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

CHAPITRE 1. Michel LUBRANO using lecture notes by Luc Bauwens. Avril 2011. 1 Introduction 2

CHAPITRE 1. Michel LUBRANO using lecture notes by Luc Bauwens. Avril 2011. 1 Introduction 2 CHAPITRE 1 Volatilité et risques financiers Michel LUBRANO using lecture notes by Luc Bauwens Avril 2011 Contents 1 Introduction 2 2 Rendements et volatilité 2 2.1 Rendements..................................

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Compte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation

Compte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation 4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température

Plus en détail

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31

Mémoire de n d'étude: Etudes statistiques. Mémoire de n d'étude: Etudes statistiques. Nicolas Sutton-Charani. Université Montpellier 1 1/31 1/31 Mémoire de n d'étude: Etudes statistiques Nicolas Sutton-Charani Université Montpellier 1 Plan Rappels de cours La base La Statistique Types des variables Outils mathématiques Statistiques descriptives

Plus en détail

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE

MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE MÉTHODES ET STATISTIQUES POUR LIRE UN ARTICLE Forum HH 05.02.2013 Ghislaine Gagnon Unité HPCI Qualitatif ou quantitatif? Les 2 méthodes peuvent être utilisées séparément ou en conjonction - le qualitatif

Plus en détail

Production de données et échelles temporelles de l évaluation du risque en finance. Deuxième partie (séance 2)

Production de données et échelles temporelles de l évaluation du risque en finance. Deuxième partie (séance 2) Séminaire d enseignement M2 Production de données et échelles temporelles de l évaluation du risque en finance Deuxième partie (séance 2) Séminaire M2 2015-2016 page 1 Plan 1. Les échelles de temps 2.

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Problématiques dans trading à haute fréquence

Problématiques dans trading à haute fréquence Extrait de la présentation de Charles-Albert Lehalle, Atelier Trading & Micro-structure, Collège de France, 10 Décembre 2008. mdang@cheuvreux.com Recherche Quantitative, Séminaire de la finance, VNFinance

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Licence : Licence Fondamentale en Gestion Etape : Semestre : 1. Première Année Licence Fondamentale en Gestion ( Tronc commun )

Licence : Licence Fondamentale en Gestion Etape : Semestre : 1. Première Année Licence Fondamentale en Gestion ( Tronc commun ) Semestre : Première Année Licence Fondamentale en Gestion ( Tronc commun ) ( semaines) Fondamentale Obligatoire.00 Fondamentale Principes de Gestion : Environnement et fonctionnement de l'entreprise.00.00

Plus en détail

UNIVERSITÉ PARIS DESCARTES

UNIVERSITÉ PARIS DESCARTES UNIVERSITÉ PARIS DESCARTES MASTER Domaine DROIT, ÉCONOMIE, GESTION Mention MONNAIE,BANQUE, FINANCE, ASSURANCE Spécialité RISQUE, ASSURANCE, DÉCISION 2014 / 2015 Z.Trocellier Directeurs Pr Kouroche VAFAÏ

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Analyse de Séries Chronologiques. J.J. Daudin, C. Duby, S. Robin & P. Trécourt (INA-PG, Mathématiques)

Analyse de Séries Chronologiques. J.J. Daudin, C. Duby, S. Robin & P. Trécourt (INA-PG, Mathématiques) Analyse de Séries Chronologiques J.J. Daudin, C. Duby, S. Robin & P. Trécourt (INA-PG, Mathématiques) Mai 1996 2 TABLE DES MATIÈRES 3 Table des matières 1 Introduction 5 2 Etude de la partie déterministe

Plus en détail

Atelier d économétrie

Atelier d économétrie Atelier d économétrie Chapitre 4 : Le problème de la multicolinéarité : application sous SAS Vincent Bouvatier Université de Paris Ouest - Nanterre La Défense Bâtiment G, bureau 308A vbouvatier@u-paris10.fr

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table des matières. I Mise à niveau 11. Préface Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

Lois de probabilité. Anita Burgun

Lois de probabilité. Anita Burgun Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage

Plus en détail

Économétrie. Francesco Quatraro M1 EFM 2010/2011

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

Plus en détail

Maquette, licence en économie quantitative

Maquette, licence en économie quantitative Maquette, licence en économie quantitative Semestre1 Analyse Analyse 1 60 4 Calcul Calcul 1 60 4 Algèbre Algèbre linéaire 60 4 Arithmétique Mathématiques discrètes 60 4 Prob. et Statistique Introduction

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

Processus ponctuels. Olivier Scaillet. University of Geneva and Swiss Finance Institute

Processus ponctuels. Olivier Scaillet. University of Geneva and Swiss Finance Institute Processus ponctuels Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Processus ponctuels 2 Introduction On désire dans ce chapitre construire des modèles d'une distribution aléatoire

Plus en détail

Méthodes de prévision des ventes

Méthodes de prévision des ventes Méthodes de prévision des ventes Il est important pour toute organisation qui souhaite survivre dans un environnement concurrentiel d adopter des démarches de prévision des ventes pour anticiper et agir

Plus en détail

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

Cycle de vie, Portefeuille et Simulations. Ph. Bernard & N. El Mekkaoui de Freitas

Cycle de vie, Portefeuille et Simulations. Ph. Bernard & N. El Mekkaoui de Freitas Cycle de vie, Portefeuille et Simulations Ph. Bernard & N. El Mekkaoui de Freitas http://www.master272.com/vba/vba_cycledevie.html Les procédures ont été réalisées pour le cours cycle de vie et gestion

Plus en détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance

MASTER 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 détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

Prise en compte de la liquidité dans les algorithmes de trading

Prise en compte de la liquidité dans les algorithmes de trading Prise en compte de la liquidité dans les algorithmes de trading clehalle@cheuvreux.com Resp. de la Recherche Quant., Atelier Trading & Micro Structure 10 décembre 2008 Contenu La liquidité en Europe Les

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Initiation à l analyse des séries temporelles et à la prévision

Initiation à l analyse des séries temporelles et à la prévision Résumé Initiation à l analyse des séries temporelles et à la prévision Guy Mélard ECARES CP114 et Institut de Recherche en Statistique Université Libre de Bruxelles Avenue Franklin Roosevelt 50 B-1050

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

UNE ESTIMATION DU PARC AUTOMOBILE À L AIDE DES DURÉES DE VIE DES VÉHICULES

UNE ESTIMATION DU PARC AUTOMOBILE À L AIDE DES DURÉES DE VIE DES VÉHICULES UNE ESTIMATION DU PARC AUTOMOBILE À L AIDE DES DURÉES DE VIE DES VÉHICULES François JEGER Le parc de véhicules automobiles en service vieillit de trois mois par an depuis 1993 : la durée de vie médiane

Plus en détail

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE Porteurs du projet Marc Arnaudon, professeur des universités, responsable des relations avec les entreprises.

Plus en détail

Agrégation séquentielle d'experts

Agrégation séquentielle d'experts Agrégation séquentielle d'experts avec application à la prévision de consommation électrique Pierre Gaillard pierre-p.gaillard@edf.fr avec Yannig Goude (EDF R&D) et Gilles Stoltz (CNRS, HEC Paris) 27 août

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Exercice : covariance et gestion du risque. Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine

Exercice : covariance et gestion du risque. Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Exercice : covariance et gestion du risque Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Mars 2006 On considère deux actifs dont les rendements et les volatilités sont :

Plus en détail

Économétrie, causalité et analyse des politiques

Économétrie, causalité et analyse des politiques Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de

Plus en détail

Approche hybride De la correction des erreurs à la sélection de variables

Approche hybride De la correction des erreurs à la sélection de variables Approche hybride De la correction des erreurs à la sélection de variables G.M. Saulnier 1, W. Castaing 2 1 Laboratoire EDYTEM (UMR 5204, CNRS, Université de Savoie) 2 TENEVIA (http://www.tenevia.com) Projet

Plus en détail

A quoi vont-elles servir?

A quoi vont-elles servir? A quoi vont-elles servir? Décrire Distribution Position : moyenne, mode, médiane, (ordre de grandeur) Résumer paramètres et graphes Forme (symétrie, tendance ) Dispersion : écart-type, variance, quantiles,

Plus en détail

Exercice 1 : Balance des Paiements (4 points)

Exercice 1 : Balance des Paiements (4 points) Université Paris Ouest-Nanterre La Défense Master Economie U.F.R. SEGMI Premier Semestre 2009-2010 Macroéconomie Ouverte Chargé de T.D. : Romain Restout Cours de Olivier Musy Contrôle Continu (14/12/2009)

Plus en détail

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Nous abordons dans ce chapitre l analyse de données statistiques particulières

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION 11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION Dans cette étude de cas nous nous retrouvons face à des données dont la variabilité court terme est très différente de celle à long terme. Les cartes de contrôle

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail