Chapitre 5 Les informations qualitatives
|
|
- Édouard Alain
- il y a 7 ans
- Total affichages :
Transcription
1 Chapitre 5 Les informations qualitatives Licence Econométrie / MASS Econométrie II, 7-8 Martin Fournier Fournier@gate.cnrs.fr Econométrie II. Les variables indicatrices Variables «dummy» Econométrie II. Variables dummy Une variable indicatrice (dummy) est une variable qui prend seulement deux valeurs possibles : ou Exemples: sexe ( pour les hommes, pour les femmes), géographie ( pour Paris, sinon), race, etc. On peut également parler de variables binaires (binary variables) Econométrie II Econométrie II
2 . Exemple Econométrie II 4. Une «dummy» comme variable explicative Considérons un modèle simple avec une variable continue (x) et une variable dummy (d) y b + d d + b x + u Le coefficient (MCO) de la variable dummy peut être interprété comme une translation du modèle (modification du terme constant) Si d, alors y b + b x + u Si d, alors y (b + d ) + b x + u Le cas d est le groupe de référence Econométrie II 5. Exemple (avec δ > ) y δ { } β y (β + δ ) + β x d d y β + β x Dans les cas, la pente β Econométrie II 6 x Econométrie II
3 .5 Exemple wage β + β female + educ + u β Ce modèle permet de déterminer l espérance mathématique du différentiel de salaire entre hommes et femmes en contrôlant par le niveau d éducation atteint β Ε Ε ( wage female, educ) Ε( wage female, educ) ( wage female, educ) Ε( wage male, educ) Puisque Ε Ε ( wage female, educ) β + β + ( wage male, educ) β + β educ β educ Econométrie II 7.6 Exemple () Hommes : wage β educ + β Femmes : wage β + β + β ( ) educ Econométrie II 8.6 Exemple () wage β + β female + educ + u β Le même modèle aurait pu être estimé en utilisant une variable dummy «Homme» (i.e. en prenant les femmes comme groupe de référence) wage γ + γ male + educ + u γ On obtiendrait alors : β γ + β γ γ β γ γ β + β Econométrie II 9 Econométrie II
4 .6 Exemple (4) Attention : On ne peut pas en revanche inclure conjointement les variables dummy female et male dans la régression. On se retrouverait alors avec une collinéarité parfaite entre les variables explicatives du fait que : female + male Ce qui viole les hypothèses du théorème de Gauss- Markov et invalide l estimateur des MCO Econométrie II.7 Exemple (5) Application pratique : Test et évaluation d une différence de revenu entre hommes et femmes : incearn β + β female + β education + β tenure + businesses + u β4 incearn β + δ male + β education + β tenure + businesses + u β4 Incearn : Revenu Female : Variable dummy (Femme female) Male : Variable dummy (Femme female) Education : Nombre d années d éducation Tenure : Nombre d années d expérience Econométrie II Econométrie II Econométrie II
5 .9 Exemple (7) Si la variable dépendante est sous forme logarithmique, le coefficient de la variable dummy s interprète donc comme la différence espérée entre les deux groupes en pourcentage : log ( incearn) β + β female + β educ + β tenure+ β tenure + β businesses + β businesses + u 5 E( incearn female, X ) E( incearn male, X ) exp( ˆ β) E( incearnmale, X ) 6 Econométrie II 4 ˆ β (pour ˆ β proche de ). Exemple (8) : Forme logaritmique exp( ˆ β ) % Econométrie II 4. Variables indicatrices et information complexe Econométrie II 5 Econométrie II
6 . Variables dummy et catégories multiples On peut utiliser des variables dummy pour contrôler une information discrète multiple : Prenons l exemple d une variable d éducation pouvant prendre trois niveaux : Primaire, Secondaire et Supérieure On peut créer deux variables dummy permettant de capter toute l information : SUP si éducation supérieure et sinon SEC si éducation secondaire (seulement) et sinon Catégorie de référence : éducation primaire seulement Econométrie II 6. Variables dummy et catégories multiples () Toute variable catégorielle peut être transformée en un jeu de variables dummy Le groupe de référence est représenté par le terme constant S il y a n catégories, il doit y avoir seulement n variables dummy On peut rapidement se retrouver avec un nombre important de variables redéfinition des groupes (ex. : CSP, secteurs industriels) Econométrie II 7 log. Exemple ( wage) β + β marrmale + β marrfem + β singfem+ β education+ β tenure + β tenure + β businesses+ β businesses + u 5 6 Marrmale : Homme marié Marrfem : Femme mariée Singfem : Femme célibataire Référence : Homme célibataire Econométrie II 8 Econométrie II
7 Econométrie II 9.5 Variables dummy information ordonnées On dispose parfois d information qualitatives ordonnées (niveaux de satisfaction, classements, niveaux de risque, etc.) Une augmentation d une unité n a pas de raison d avoir un effet constant Variables dummies Exemple : Classement de clients par niveaux de risque pour une assurance : : Risque très faible : Risque faible : Risque incertain 4 : Risque élevé 5 : Risque très élevé Econométrie II.6 Variables dummy information ordonnées () On peut parfois créer des variables dummy à partir de variables quantitatives pour capter les non-linéarités Exemples : Classes d âge Classes de revenu Niveaux d éducation construits à partir du nombre d années Etc. Permet une spécification plus flexible au prix du nombre de coefficients à estimer Econométrie II Econométrie II
8 . Les variables indicatrices comme variables d interaction Econométrie II. Interractions entre variables dummy Important lorsque la valeur d une variable qualitative influence l effet d une autre variable qualitative sur la variable expliquée Exemple : L effet du sexe sur le revenu peut dépendre du statut marital de la personne Si l on n est intéressé que par les différences de revenu entre hommes et femmes ou entre mariés et célibataires, on inclue seulement ces deux variables : ( ) β + β female + β married + K log incearn Econométrie II. Interractions entre variables dummy () Si l on veut également prendre en compte le fait que le sexe puisse influencer la manière dont le statut marital modifie le revenu espéré, il faut également inclure la variable croisée entre les deux variables dummy : ( ) λ + λ female + λ married + λ female married + K log incearn λ Hommes célibataires (référence) λ + λ Hommes mariés λ + λ Femmes célibataires λ + λ + λ + λ Femmes mariées Econométrie II 4 Econométrie II
9 . Interactions entre variables dummy () ( incearn ) β + βmarrmale + βmarrfem + β singfem +... ( incearn) λ + λ female + λ married + λ female marriedk log log Les deux spécifications sont équivalentes : β - Hommes célibataires λ β - Hommes mariés + β λ + λ β - Femmes mariées + β λ + λ + λ + λ β + β λ + - Femmes célibataires λ La deuxième approche permet de tester directement le fait que l impact du sexe dépend du statut marital : Η λ : Econométrie II 5.4 Interactions entre variables Dummy et variable continue Permet de capter des différences de pentes entre groupes : ( ) β + β female + β educ + β female educ + K log wage β β + β :Rendement de l' éducation des hommes : Rendement de l' éducation des femmes T-test sur β : test de l égalité des rendements de l éducation entre hommes et femmes Econométrie II 6.5 Exemple avec β > Femmes y y β + β.educ Hommes y β + β + (β + β ).educ Econométrie II 7 x Econométrie II
10 .6 Test de structures différentes par groupes Pour tester si le modèle est différents entre deux groupes (e.g. hommes/femmes) peut être fait simplement en croisant chaque variable avec une variable dummy de groupe et de tester la significativité jointe des termes croisés NB : On peut se retrouver très rapidement avec un nombre considérables de variables Econométrie II 8.7 Exemple Modèle général log( incearn ) β + β education + β tenure + β businesses + u Test d une différence de modèle entre hommes et femmes : log( incearn) β + β female + β education + β female education + β tenure + β female tenure 4 + β businesses + β female businesses + u 6 Η : β, β, β 5, β Econométrie II 9 Econométrie II Econométrie II
11 .9 Test de Chow Lorsqu il y a trop de variables explicatives, une alternative consiste à effectuer l estimation séparément sur les deux groupes et de tester l égalité des coefficients entre les deux régressions : y β g, + β g,x + β g, x + L + β g k xk + u, Econométrie II. Test de Chow () La solution réside dans le fait que la somme des carrés des résidus du modèle non restreint (avec une variable dummy et un croisement de cette variable dummy avec toutes les autres variables du modèle) est égale à la somme des carrés des résidus des modèles estimés sur chacun des groupes ( et ici): SSR ur SSR + SSR Il suffit alors d estimer le modèle restreint (sur toutes les données, sans variable dummy) et d en déduire la somme des carrés des résidus : SSR r Econométrie II. Test de Chow () Il suffit alors d effectuer un test de Fisher (k+ coefficients testés sur k+ variables + constante : F ( SSRr SSRur ) ( k + SSR ( n k ) ur Le test de Chow consistant à dériver la somme des carrés des résidus du modèle non restreint des estimations menées distinctement,t sur les deux groupes : [ SSRP ( SSR + SSR )] [ n ( k + ) ] F SSR + SSR ) k + Econométrie II Econométrie II
12 Econométrie II 4 4. Les variables indicatrices comme variable expliquée Econométrie II 5 4. Le Problème On observe un état par une variable indicatrices : Actif (Act) / Inactif (Act) Éducation supérieure (Sup) / Lycée ou moins (Sup) Produit de bonne qualité (Qual) / Mauvaise (Qual) Etc. On veut pouvoir modéliser l état observé en fonction de variables explicatives : Act f(éducation, âge, structure familiale ) Sup f(éducation parents, âge, revenu parents ) Qual f(taux de contrôle, pénalité, coût de vérification ) Econométrie II 6 Econométrie II
13 4. Le modèle de probabilité linéaire On peut modéliser la probabilité pour la variable dummy y de prendre la valeur en notant que : P(y x) E(y x) On peut alors écrire le modèle : P(y x) b + b x + + b k x k On peut estimer le modèle par les MCO L estimateur de b j donne une mesure de la variation de la probabilité de succès (y) lorsque x j est modifié Econométrie II 7 4. Le modèle de probabilité linéaire () Remarques : La valeur prédite de y par les résultats du modèle estimé permet d obtenir une probabilité prédite de succès La valeur prédite peut être simulée en dehors du support de la probabilité [,] Les variations prédites de probabilités pour une variation d une explicative x i peut être supérieure à Econométrie II 8 4. Le modèle de probabilité linéaire () Remarques (suite) : Le modèle viole l hypothèse d homoscédasticité Il existe des méthodes plus adaptées (modèles Probit et Logit) par maximum de vraisemblance Cette approche peut malgré tout être utile en première phase d analyse du problème Econométrie II 9 Econométrie II
14 5. Variables dummies et évaluations de programmes Econométrie II 4 5. Évaluation d un programme Les variables dummy peuvent apparaître comme un outil particulièrement utile lors de l évaluation de programmes Exemple : Revenu des individus ayant reçu une formation pilote / revenu des individus ne l ayant pas reçue Malheureusement, le plus souvent la variable dummy provient d un processus de sélection (par le programme ou par auto-sélection des individus) Econométrie II 4 5. Évaluation d un programme () log( salaire ) β + βixi + β formi + ui i Si toutes les dimensions de la sélection sont inclues dans les variables x i alors le coefficient β fournit une bonne évaluation de l effet de la formation Malheureusement, le plus souvent certains déterminants de la sélection sont inobservables et corrélés à des déterminants inobservés du salaire Rejet de l hypothèse d exogénéité de la variable dummy Estimation biaisée fournie par les MCO Chapitre suivant Econométrie II 4 Econométrie II
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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailFORMULAIRE DE DÉCLARATION DE PATRIMOINE
FORMULAIRE DE DÉCLARATION DE PATRIMOINE TYPE DE DÉCLARATION: Entrée en Fonction Référence : Loi du 20 Février 2008 et Moniteur No. 17 Sortie de Fonction Titre de la Fonction Date de la déclaration../ /.
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détail«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 détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailTable 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 détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailRECRUTEMENT SURVEILLANCE DES EXAMENS. Temps de travail : Vous êtes recruté(e) pour une durée et un nombre d heures fixés contractuellement.
RECRUTEMENT SURVEILLANCE DES EXAMENS Temps de travail : Vous êtes recruté(e) pour une durée et un nombre d heures fixés contractuellement. Rémunération principale : Votre rémunération sera le résultat
Plus en détailTrépier avec règle, ressort à boudin, chronomètre, 5 masses de 50 g.
PHYSQ 130: Hooke 1 LOI DE HOOKE: CAS DU RESSORT 1 Introduction La loi de Hooke est fondamentale dans l étude du mouvement oscillatoire. Elle est utilisée, entre autres, dans les théories décrivant les
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailPôle de Dakar S IMUL ATIONS. 1 Utiliser un taux d accroissement pour une simulation
FORMULAIRE ATELIER S IMUL ATIONS 1 Utiliser un taux d accroissement pour une simulation La projection de certaines variables se base sur une hypothèse de taux de croissance annuelle régulier et constant.
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailIntroduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailTP1 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 détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailCours Marché du travail et politiques d emploi
Cours Marché du travail et politiques d emploi L offre de travail Pierre Cahuc/Sébastien Roux ENSAE-Cours MTPE Pierre Cahuc/Sébastien Roux (ENSAE) L offre de travail 1 / 48 Introduction Introduction Examen
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailExamen de Logiciels Statistiques
G. Hunault Angers, mai 2011 Licence MEF Examen de Logiciels Statistiques On s intéresse ici au dossier EAEF01 qui contient un extrait des données du recensement américain. On trouvera ces données et leur
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailLES DIFFERENTS TYPES DE MESURE
LES DIFFERENTS TYPES DE MESURE Licence - Statistiques 2004/2005 REALITE ET DONNEES CHIFFREES Recherche = - mesure. - traduction d une réalité en chiffre - abouti à des tableaux, des calculs 1) Qu est-ce
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailChapitre 4 : Régression linéaire
Exercice 1 Méthodes statistiques appliquées aux sciences sociales (STAT-D-203) Titulaire : Catherine Vermandele Chapitre 4 : Régression linéaire Le diplôme de Master of Business Administration ou MBA est
Plus en détailCette publication constitue un instantané
Un «instantané» Un «instantané» Cette publication constitue un instantané des programmes de la Sécurité Sociale, d allocation supplémentaire de revenu de sécurité (Supplemental Security Income, ou SSI)
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailEstimation de votre impôt sur les revenus 2007
Estimation de votre impôt sur les revenus 27 21/12/27 Synthèse des données et résultats Données de votre simulation Nombre de parts 1 Revenus net catégoriels Traitements et salaires, pensions et rentes
Plus en détailCOURS GESTION FINANCIERE SEANCE 4 CHOIX DU NIVEAU DU FONDS DE ROULEMENT PLANS DE TRESORERIE FINANCEMENTS ET PLACEMENTS A COURT TERME
COURS GESTION FINANCIERE SEANCE 4 CHOIX DU NIVEAU DU FONDS DE ROULEMENT PLANS DE TRESORERIE FINANCEMENTS ET PLACEMENTS A COURT TERME SEANCE 4 CHOIX DU NIVEAU DU FONDS DE ROULEMENT PLANS DE TRESORERIE FINANCEMENTS
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailD ASSURANCE MÉDICAMENTS
La consultation de ce document au moyen de technologies d adaptation informatique peut être problématique. Pour un contenu accessible, visitez les pages équivalentes de notre site. DOCUMENT À CONSERVER
Plus en détailTable des matières: Guidelines Fonds de Pensions
Table des matières: Guidelines Fonds de Pensions TABLE DES MATIERES... 1 INTRODUCTION... 2 1 FINANCEMENT ET FINANCEMENT MINIMUM... 3 1.1 FINANCEMENT... 3 1.2 FINANCEMENT DE PLAN... 3 1.3 FINANCEMENT MÉTHODE
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailÉtude Patrimoniale Document de collecte d informations. Votre conjoint. Vous. Vos proches. Date de l entretien... DOSSIER
Date de l entretien.... DOSSIER Vous Votre conjoint Prénom.... Prénom.... Nom.... Nom.... Date de naissance... Date de naissance.... Situation familiale marié(e) célibataire divorcé(e) veuf(ve) union libre
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailcafé, restaurant & salon de thé DOSSIER DE CANDIDATURE franchise
DOSSIER DE CANDIDATURE franchise 1. DEMANDEUR PHOTO ÉTAT CIVIL Nom Prénom Date de naissance Lieu de naissance / / Adresse Code postal Téléphone fixe Fax Ville tél portable: E-mail Situation familiale :
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailAttirez les meilleurs employés et consolidez votre entreprise
Attirez les meilleurs employés et consolidez votre entreprise Grâce à leur régime d assurance collective, les employés sont toujours gagnants Augmentation salariale ou régime d assurance collective? Il
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailTests de sensibilité des projections aux hypothèses démographiques et économiques : variantes de chômage et de solde migratoire
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 16 décembre 2014 à 14 h 30 «Actualisation des projections» Document N 5 Document de travail, n engage pas le Conseil Tests de sensibilité des projections
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailAssistants de russe en France. Année 2014-2015
Assistants de russe en France Année 2014-2015 Votre visa - Visa à entrées multiples du travailleur temporaire - Type: France sauf CTOM- collectivités territoriales d outre mer - Déplacement : vous ne pouvez
Plus en détailRenseignements relatifs aux représentants
VILLE DE PORT-DE-BOUC RESTAURATION SCOLAIRE FICHE D INSCRIPTION A renvoyer ou à remettre avant le 31 juillet au Service Avec les pièces justificatives Une Fiche par enfant. Service des Affaires Scolaires
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailAPPLICATION POUR FRANCHISÉ
APPLICATION POUR FRANCHISÉ Ce formulaire a pour but de fournir l information nécessaire afin de permettre à notre équipe de gestion de déterminer si vous répondez aux critères établis pour devenir un franchisé.
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détailProgrammation par contraintes. Laurent Beaudou
Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution
Plus en détailL Assurance. L Assurance
L Assurance Benjamin Leroy et Sébastien Vidal L Assurance Définition et Historique Assurance directe et privée Assurance indirecte et Assurance sociale Mutuelle Fondement économique de l assurance 2 Définition
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailPROGRAMME DE BOURSES D ÉTUDES APPUYONS NOS TROUPES
PROGRAMME DE BOURSES D ÉTUDES APPUYONS NOS TROUPES Modalités 1. Contexte a. Le programme Appuyons nos troupes offre annuellement jusqu à sept bourses d études, dont cinq à des étudiants à plein temps et
Plus en détailCOURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
COURS GESTION FINANCIERE A COURT TERME SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT SEANCE 2 COUVERTURE DU BESOIN DE FINANCEMENT CHOIX DU NIVEAU DU FONDS DE ROULEMENT
Plus en détailDemande d examen du parcours d intégration au Québec en vue de l obtention du Certificat de sélection du Québec. Renseignements généraux
mande d examen du parcours d intégration au en vue de l obtention du Certificat de sélection du A-0523-IF (2015-02) Renseignements généraux titre de requérant principal ou de requérante principale, vous
Plus en détailRAPPORT TECHNIQUE CCE 2014-2415
RAPPORT TECHNIQUE CCE 2014-2415 CCE 2014-2415 Rapport technique 2014 22 décembre 2014 2 CCE 2014-2415 3 CCE 2014-2415 Le tableau 1 présente les principaux indicateurs du contexte macro-économique belge
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détail6 ème FONCTIONS. Pratiquer une démarche scientifique et technologique. Capacités
6 ème FONCTIONS Les exercices de ce chapitre permettent de travailler des compétences scientifiques du socle commun. Pratiquer une démarche scientifique et technologique Capacités Rechercher, extraire
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailPourquoi les ménages à bas revenus paient-ils des loyers de plus en plus élevés?
LOGEMENT Pourquoi les ménages à bas revenus paient-ils des loyers de plus en plus élevés? L incidence des aides au logement en France (1973-2002) Gabrielle Fack* Depuis la fin des années 1970, les aides
Plus en détailDimensionnement d une roue autonome pour une implantation sur un fauteuil roulant
Dimensionnement d une roue autonome pour une implantation sur un fauteuil roulant I Présentation I.1 La roue autonome Ez-Wheel SAS est une entreprise française de technologie innovante fondée en 2009.
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailFormulaire de demande d aide financière extra-légale
Formulaire de demande d aide financière extra-légale pour les personnes en situation de handicap Bénéficiaire NOM, Prénom Date de naissance Assuré Conjoint Personne vivant maritalement avec l assuré Enfant
Plus en détailDemande de calcul d une rente future
Demande de calcul d une rente future Demande Le calcul souhaité concerne une future rente de vieillesse (répondre à toutes les questions figurant sous le chiffre 7) rente d invalidité rente de survivant
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCours 1 : Introduction Ordinateurs - Langages de haut niveau - Application
Université de Provence Licence Math-Info Première Année V. Phan Luong Algorithmique et Programmation en Python Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application 1 Ordinateur Un
Plus en détailMATHÉMATIQUES ET SCIENCES HUMAINES
MATHÉMATIQUES ET SCIENCES HUMAINES LOUISANDRÉ VALLET TRAITENQ. Logiciel de dépouillement et de traitement d enquêtes sur microordinateur compatible Mathématiques et sciences humaines, tome 104 (1988),
Plus en détail