Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure
|
|
- Eric Côté
- il y a 8 ans
- Total affichages :
Transcription
1 Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014 Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
2 Plan 1 Introduction 2 Estimation de la distribution jointe des durées sous censure 3 Modélisation de dépendance entre les durées par des copules 4 Application aux tests Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
3 Plan 1 Introduction 2 Estimation de la distribution jointe des durées sous censure 3 Modélisation de dépendance entre les durées par des copules 4 Application aux tests Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
4 Analyse de survie Une durée = temps écoulé jusqu à l apparition d un certain événement Exemples: 1 Médecine: le moment de décès, d une rechute de maladie ou de guérison 2 Fiabilité: le moment où une machine tombe en panne 3 Assurance: une survenue d un accident La durée peut ne pas toujours être observée à cause de la censure Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
5 La censure Une variable de durée T est censurée par une censure aléatoire à droite C si au lieu d observer T on observe { Y = min(t, C) δ = 1 T C Exemples des causes de la censure: 1 Médecine: perte de vue d un patient T durée de survie d un patient C date de la dernière information 2 Fiabilité: fin d observation T la durée de fonctionnement d une machine C la durée jusqu à la perte de vue de la machine Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
6 Spécificité des données censurées L objet d intérêt: la distribution d une variable de durée T Les observations: (Y i, δ i ) 1 i n = (min(t i, C i ), 1 Ti C i ) 1 i n Problème: on n observe pas les réalisations i.i.d. de la variable T La fonction de répartition empirique fait intervenir les quantités inobservables L exclusion des observations censurées conduit à une estimation biaisée de la répartition de durée (par ex. les patients qui ont une longue durée de survie ont plus de probabilité d être censureé) Il faut les outils statistiques adaptés à la présence de censure Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
7 Les durées dépendantes Dans de nombreuses situations dans l analyse de survie aparaissent les durées dépendantes T 1 et T 2 Exemples: 1 Médecine: études génétiques de dépendance entre les durées de vie des jumeaux 2 Fiabilité: dépendance entre les durées de fonctionnement de deux mécanismes 3 Assurance: dépendance entre les durées de vie des conjoints qui ont souscrit un contrat de pension Problématique: estimation et modélisation de dépendance entre T 1 et T 2 en présence de censure. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
8 Plan 1 Introduction 2 Estimation de la distribution jointe des durées sous censure 3 Modélisation de dépendance entre les durées par des copules 4 Application aux tests Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
9 Modèle Cadre général: sous la censure bivariée les estimateurs existant ont une lente vitesse de convergence ou peuvent attribuer des poids négatifs aux observations Il existe des modèles simplifiés où il est possible de définir un estimateur avec des bonnes propriétés Hypothèses du modèle: (T 1, T 2 ) durées censurées par (C 1, C 2 ). Les variables observées sont (min(t 1, C 1 ), min(t 2, C 2 ), δ 1, δ 2 ) et ε = C 2 C 1 (T 1, T 2 ) est indépendant de C 1 et de ε C 1 est indépendant de ε Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
10 Une application correspondante Les contrats de pension avec une clause de reversion en assurance: en cas de décès d un conjoint l autre commence à toucher un compliment pour sa retraite Données d un assureur canadien: observations des durées de vie des conjoints T 1, T 2 durées de vie de l homme et de sa femme 90% des observations censurées (raisons: fin d étude et les annulations des contrats). C 1, C 2 âges des conjoints à la sortie de l étude Deux conjoints sortent de l étude au même moment, donc ε = C 2 C 1 represente la différence d âges qui est observée pour tous les couples Observations: (Y 1i, Y 2i, δ 1i, δ 2i, ε i ) 1 i n avec Y j = min(t j, C j ), pour j = 1, 2. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
11 Idée de l estimateur Cas univarié: estimateur de Kaplan-Meier ˆF n (x) = 1 ( ) δ i 1 n j=1 1, Y j Y i avec une autre écriture ˆF n (t) = 1 n i:y i t n δ i W in 1 Yi t, W in = i=1 1 1 Ĝ(Y i ). W in peut être vu comme un estimateur de W i = 1 1 G(Y i ) avec E[δ i W i Φ(Y i )] = E[Φ(T i )] pour tout Φ et W in P W i Pour toute fonction Φ un estimateur de E[Φ(T )] est donné par Φ(t)d ˆF n (t)dt = 1 n δ i W in Φ(Y i ) E[Φ(T )]. n i=1 Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
12 Idée de l estimateur On cherche un estimateur de la forme F n (y 1, y 2 ) = 1 n n δ 1i δ 2i W in 1 Y1i y 1,Y 2i y 2, i=1 avec W in estimateur de W (Y 1i, Y 2i, ε i ) tel que, pour toute fonction Φ(T 1, T 2 ), E[δ 1i δ 2i W (Y 1i, Y 2i, ε i )Φ(Y 1i, Y 2i )] = E[Φ(T 1, T 2 ]]. L équation est satisfaite avec W (y 1, y 2, e) = 1 1 G(max(y 1, y 2 e) ), où G(t) = P(C 1 t). La distribution G(t) est à estimer à partir des données. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
13 Estimation de W (Y 1, Y 2, ε) C 1 est observée si C 1 < T 1 ou C 1 < T 2 ε C 1 est censurée par A = max(t 1, T 2 ε) avec δ = 1 δ 1 δ 2 La fonction de survie S G (y) de C 1 peut être estimé à partir de l echantillon (min(c i, A i ), 1 δ 1i δ 2i ) 1 i n par un estimateur de Kaplan-Meier Un estimateur des poids W (Y 1i, Y 2i, ε i ) est donné par avec W in = W in P W (Y 1i, Y 2i, ε i ) = 1 1 Ĝ(max(Y 1i, Y 2i ε i ) ). 1 1 G(max(Y 1i, Y 2i ε i ) ). Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
14 Estimateur de la fonction de distribution jointe F n (y 1, y 2 ) = 1 n n i=1 δ 1i δ 2i 1 Ĝ(max(Y 1i, Y 2i ε i ) ) 1 Y 1i y 1,Y 2i y 2 Theorem On considére un modèle simplifié avec C 2 C 1 = ε observée, sous la condition que (T 1, T 2 ) est indépendant de C 1 et de ε et que C 1 est indépendant de ε. L estimateur F n (y 1, y 2 ) satisfait le TCL fonctionnel, c est-à-dire, n(fn (y 1, y 2 ) F (y 1, y 2 )) G F (y 1, y 2 ) en l (R 2 ), où G F (y 1, y 2 ) est un processus gaussien tendu. Une application: estimateur non paramétrique de copule sous censure Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
15 Plan 1 Introduction 2 Estimation de la distribution jointe des durées sous censure 3 Modélisation de dépendance entre les durées par des copules 4 Application aux tests Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
16 Une copule Définition Une copule C(u 1,..., u d ) est une fonction de répartition multivariée sur [0, 1] d avec les lois marginales uniformes. Lien avec la fonction de répartition Théorème de Sklar (1959): Soient F 1,..., F d les fonctions de répartition marginales de F (x 1,..., x d ). Il existe une fonction de répartition C(u 1,..., u d ) sur [0, 1] d avec les lois marginales uniformes, telle que F (x 1,..., x d ) = C(F 1 (x 1 ),..., F d (x d )). Si toutes les F i, i = 1,..., d sont continues, alors C est unique. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
17 Modèles de copules Une copule est une fonction qui contient toute l information sur la structure de dépendance d un vecteur aléatoire. Les copules permettent de séparer la modélisation de structure de dépendance et de lois marginales. Un modèle de copule pour une fonction de répartition bivariée: F θ (t 1, t 2 ) = C θ (F 1 (t 1 ), F 2 (t 2 )), C θ C Θ = {C θ, θ Θ} Pour estimer un modèle de copules: Estimer les marginales avec un modèle paramétrique ou par un estimateur non paramétrique Estimer le paramètre de copule par une méthode du maximum de vraisemblance. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
18 Les copules archimediennes en dimension 2 Soit ϕ : [0, 1] R + une fonction continue strictement décroissante telle que ϕ(1) = 0 et soit ϕ [ 1] son inverse généralisé. Alors, une fonction est une copule d un générateur ϕ. C(u, v) = ϕ [ 1] (ϕ(u) + ϕ(v)) Des familles paramétriques des générateurs engendrent des familles paramétriques de copules Une question importante est la construction des tests d adéquation pour des modèles de copules. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
19 Tests d adéquation Une classe importante des tests d adéquation sont basés sur la distance entre l estimateur paramétrique et non paramétrique de copule. En absence de censure: un estimateur non paramétrique de copule est la copule empirique Sous la censure: il n existait pas d un estimateur non paramétrique de copule Les données canadiennes ont été modélisées par des copules dans Frees et al. (1996), Carriere (2000), Youn et Shemyakin (2001) avec une approche purement paramétrque. Luciano, Spreeuw, Vigna (2007) proposent des méthodes de choix d une meilleure copule parmi plusieurs copules archimédiennes calibrées, mais pas un test d adéquation. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
20 La copule empirique En absence de censure, on observe un échantillon i.i.d. (T 1i, T 2i ) 1 i n d un vecteur aléatoire (T 1, T 2 ) La fonction de répartition empirique: n F n (t 1, t 2 ) = 1 n i=1 1 T1i t 1,T 2i t 2 Un estimateur non paramétrique de copule (Deheuvels, 1979) est donné par C n (u, v) = F n (F 1 1n Théorème (Fermanian, 2004) 1 (u), F (v)), 0 u, v 1 Le processus empirique de copule n(c n (u, v) C(u, v)) converge en loi dans un espace l ([0, 1] 2 ) vers un pont brownien B F (u, v) 2n Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
21 Tests d adéquation basés sur la copule empirique Soient T 1, T 2 - deux variables aléatoires liées par une copule C(u, v). Soit C Θ = {C θ, θ Θ} une classe paramétrique de copules. Problème de test d hypothèse: H 0 : C C Θ contre H 1 : C / C Θ C n (u, v) un estimateur non paramétrique de C C θn (u, v) un estimateur paramétrique sous H 0. La statistique de test: d n = n (C θn (u, v) C n (u, v)) 2 dc n (u, v). [0,1] 2 Ces tests n ont pas été généralisés pour les données censurées faute de l estimateur non paramétrique de copule sous censure. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
22 Estimateur non paramétrique de copule sous censure Pour le modèle simplifié: avec F n (y 1, y 2 ) = 1 n W in = n δ 1i δ 2i W in 1 Y1i y 1,Y 2i y 2, i=1 1 1 Ĝ(max(Y 1i, Y 2i ε i ) ). La définition d un estimateur non paramétrique de copule: C n (u, v) = F n (F1n 1 1 (u), F2n (v)). Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
23 La définition d un estimateur Plus généralement, pour tout modèle avec F n (y 1, y 2 ) = 1 n δ 1i δ 2i W in 1 Y1i y n 1,Y 2i y 2, i=1 on peut définir un estimateur de copule par C n (u, v) = F n (F1n 1 1 (u), F2n (v)). Théorème (G., Lopez, 2012) Si n(f n (y 1, y 2 ) F (y 1, y 2 )) G F (y 1, y 2 ) en l (R 2 ), la fonction de répartition F (y 1, y 2 ) a les loi marginales continues et sa fonction de copule C(u, v) a les dérivées partielles continues sur [0, 1] 2, alors n(cn (u, v) C(u, v)) G C (u, v), en l ([0, 1] 2 ), où {G C (u, v), 0 u, v 1} est un processus limite gaussian. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
24 Autres modèles Loss and allocated loss adjustment expenses (ALAE): T 1 un coût de sinistre à rembourser par une compagnie d assurance, censuré par un plafond de remboursement C 1, spécifique à chaque contrat T 2 son ALAE associé (ex. frais d avocat, frais de recherche sur le sinistre), observé Pour les companies de réassurance important de modéliser la dépendance entre T 1 et T 2. Le modèle est de même type, avec W in = (1 Ĝ C1 (Y 1i )) 1. Deux variables de censure sont liées par une copule connue: La f.r. de (C 1, C 2 ) est G C1 C 2 (y 1, y 2 ) = C(G C1 (y 1 ), G C2 (y 2 )). Le modèle est de même type, avec W in = 1 C(1 Ĝ C (1)(Y 1i ), 1 Ĝ C (2)(Y 2i )) Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
25 Estimateur à noyau de copule La plupart de copules utilisées en pratique sont des fonctions lisses Pour estimer la densité de copule il faut construire un estimateur lisse de copule Un estimateur à noyau classique (Parzen-Rozenblatt) Soit k(x 1, x 2 ) une densité, c.-à-d. une fonction non-négative avec k(x1, x 2 ) = 1 et K(x 1, x 2 ) = x 1 x2 k(u, v)dudv Un estimateur par noyau d une fonction de répartition G d un vecteur aléatoire (X 1, X 2 ) (basé sur un échantillon (X 1i, X 2i ) 1 i n ): Ĝ n (x 1, x 2 ) = 1 n h 0 est appelé la fenêtre. n ( x1 X 1j K h j=1, x ) 2 X 2j, h Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
26 Estimateur à noyau en présence de censure On remplace un estimateur par noyau classique par sa version adaptée pour les données censurées: ˆF n (y 1, y 2 ) = 1 n n ( y1 Y 1j W in K h j=1, y ) 2 Y 2j. h Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
27 Estimateur à noyau en présence de censure On remplace un estimateur par noyau classique par sa version adaptée pour les données censurées: ˆF n (y 1, y 2 ) = 1 n n ( y1 Y 1j W in K h j=1 Un estimateur lisse de copule ou bien Ĉ n (u, v) = 1 n, y ) 2 Y 2j. h Ĉ n (u, v) = ˆF n (ˆF 1n 1 (u), ˆF 2n 1 (v)), 0 u, v 1 n W in K i=1 ( ) ( ) ˆF 1n 1 (u) Y 1i ˆF 2n 1 K (v) Y 2i. h h Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
28 TCL: conditions sur les poids Soit τ j = inf{t : F j (t) = 1}, pour tout Y (, τ 1 ) (, τ 2 ), on suppose que 1 W in = ĝ(y 1i, Y 2i ), où ĝ(y 1, y 2 ) g(y 1, y 2 ) et g est bornée et deux fois P differentiable sur Y avec les dérivées d ordre 2 bornées. 2 sup (t1,t 2) Y ĝ(t 1, t 2 ) g(t 1, t 2 ) = O P (n 1/2 ) 3 pour tout ψ F, où F signifie une classe de Donsker de fonctions bornées, n δ 1i δ 2i [W in W i ]ψ(y 1i, Y 2i ) = 1 n i=1 n η ψ (Y 1i, Y 2i, δ 1i δ 2i ) + R n (ψ), i=1 avec W i = g(y 1i, Y 2i ) et sup ψ F R n (ψ) = o P (n 1/2 ), 4 E(δ 1 δ 2 g(t 1, T 2 ) 2 ) < + (permet d avoir la convergence sur [0, 1] 2 ) Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
29 Convergence de l estimateur à noyau de copule On considère le processus empirique Ẑ n (u, v) = n(ĉ n (u, v) C(u, v)), 1 u, v 1. Théorème Sous les conditions sur les poids W in, si F (t 1, t 2 ) est une fonction deux fois dérivable sur R 2 avec les dérivées d ordre deux bornées, et h 2 n 0, on a n(ˆfn (y 1, y 2 ) F (y 1, y 2 )) G F (y 1, y 2 ) en l (R 2 ) et, par consequence, Ẑ n (u, v) = n(ĉ n (u, v) C(u, v)) Z C (u, v) en l ([0, 1] 2 ). Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
30 Estimation de densité d une copule Un estimateur de densité d une copule ĉ n (u, v) = avec f in (x) = x ˆF in (x). Théorème 3 2 u v Ĉn(u, v) = 1 nh 2 n i=1 ˆ W in k ( ˆF 1 1n (u) X i h ) k ( ˆF 1 2n (v) T i h f 1n (ˆF 1 1n (u))f 2n(ˆF 1 2n (v)), Soit C un compact strictement inclus dans [0, 1] 2. On suppose que la copule C(u, v) a ses dérivées bornées sur [0, 1] 2, W in sont les estimateurs de W i = W (Y 1i, Y 2i ) avec sup i W in W i a.s. = o P (η n ) où η n = h 2 + log n, et qu il existe une constante c telle que inf x C f i (F 1 i (x)) > c, i = 1, 2. Alors, h n sup ĉ(u, v) c(u, v) a.s. = O(η n ), η n = h 2 + log n u,v C h n. ) Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
31 Plan 1 Introduction 2 Estimation de la distribution jointe des durées sous censure 3 Modélisation de dépendance entre les durées par des copules 4 Application aux tests Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
32 Goodness of fit tests pour les données censurées H 0 : C C Θ contre H 1 : C / C Θ. Goodness of fit test est basé sur le processus empirique γ n (u, v) = n(c n C θn )(u, v), 0 u, v 1. Les statistiques de test principales: KS n = sup u,v γ n (u, v), S n = [0,1] 2 γ n (u, v) 2 dc n (u, v). La p-value du test est calculée via bootstrap. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
33 Calcul numérique de p-valeur pour les données canadiennes Procédure bootstrap pour calculer la p-value: pour b = 1,..., B générer (T1i b, T 2i b ) 1 i n selon la distribution définie par C θn et les f.r. marginales F 1n and F 2n générer (C1i b ) 1 i n selon G n (estimateur de K-M de la censure) générer (ε b 1i ) 1 i n selon la f.r. empirique des v.a. (ε i ) 1 i n poser C2i b = C1i b + εb i et calculer un b ième échantillon bootstrap (Y1i b, Y 2i b, εb i, δb 1i, δb 2i ) 1 i n en utilisant l échantillon simulé, calculer les estimateurs θn b et C b n et la distance correspondante dn b calculer la p-value sur la base de l échantillon simulé de d n Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
34 Application à la base de données canadienne Model Estimation de paramètre p-value Clayton Frank Nelsen La densité estimée de la copule de survie u v Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
35 Clustering pour les données censurées En assurance la population étant souvent hétérogène, les méthodes de clustering permettraient d identifier des groupes avec des comportements différents de point de vue de dépendance. On considère le cas d une variable aléatoire T à valeurs dans R censurée par C et d un vecteur aléatoire X de R d de covariables observées. Un échantillon est composé de (Y i, X i, δ i ) 1 i n, avec Y i = min(t i, C i ), δ i = 1 Ti C i But: à partir des observations censurées résumer les données par des groupes homogènes Problème: la présence de censure fait de sorte qu on ne connaisse pas de vraies positions des observations. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
36 Clustering par quantification Problème de clustering: résumer une distribution P d un vecteur aléatoire (T, X ) R R d par N points. Un N-quantificateur q(t, x) est une application de R R d dans un dictionnaire C = {c 1,..., c N } (R d+1 ) n Une distortion de N quantificateur est D(P, q) = E P (T, X ) q(t, X ) 2. Un N quantificateur q est optimal si D(P, q ) = inf q D(P, q) =: D N (P). Un tel quantificateur existe et c est un quantificateur de plus proches voisins q (t, x) = arg min c i C (t, x) c i 2 Il suffit de trouver arg min C (R d+1 ) E [ n P minci C (T, X ) c i 2]. En pratique la loi P est inconnue, il faut donc remplacer E P par l espérance E Pn par rapport à la loi empirique Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
37 Distortion empirique Soient (T i, X i ) 1 i n des observations i.i.d. de (T, X ) et P n = n i=1 δ (T i,x i ). La distortion empirique D(P n, q) = 1 n n (T i, X i ) q(t i, X i ) 2. i=1 Un quantificateur q n est un quantificateur empirique optimal si D(P n, q n) = inf q D(P n, q) =: D N(P n ) La distorsion d un quantificateur empirique optimal converge vers la distortion minimale, ED(P, q n) D N(P) C n, pour une certaine constante C et tout n 1. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
38 Clustering en présence de censure Idée: Stute (1995): estimateur de fonction de répartition F (t, x) de (T, X ) en présence de censure: F n (t, x) = 1 n n W in 1 Yi t,x i x, t R, x R d, i=1 avec W in = δ 1i (1 Ĝ(Y i )) 1, qui définit une mésure P n = 1 n n W in δ (Ti,X i ). i=1 On définit la distortion empirique par D(P n, q) = 1 n n W in (Y i, X i ) q(y i, X i ) 2. i=1 Quantificateur empirique q n est optimal si D(P n, q n) = inf q D(P n, q). Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
39 Les centres de clusters Des centres de clusters de quantificateur qn empirique optimal sont définis par 1 n arg min W in min C R d+1 n (Y i, X i ) c k 2. c k C i=1 Convergence de la distortion de q n Il existe des constantes L 1, L 2, K 1, K 2 telles que, P( n D(P, qn) D(P, q ) > z) 5 exp ( L 1 z 2 + L 2 z) + 2 [ exp( K 1 z 2 ) + exp( nk 2 z) ] ( ) + O e n. Corollaire: D(P, q n) D(P, q) = O ( ) log n n p.s. Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
40 Attribution de labels aux observations censurées Les observations non censurées se voient affectées au centre le plus proche par rapport à la distance euclidienne Pour les observations censurées les distances aux centres de clusters ne sont pas observées, elles sont donc estimées à partir de données: dist((t i, X i ), c k ) = Y i (t, X i ) c k 2 d ˆF (t X i ), Y i d ˆF (t X i ) où ˆF (t x) est un estimateur de F (t X = x) = P(T t X = x) donné par ˆF (t x) = 1 n n i=1 W in K( x X i h ) ( n j=1 K x Xj h. )1 Yi t, (1) Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
41 Conclusion et perspectives Les nouveaux estimateurs non paramétriques de copule ont été proposés Les propriétés asymptotiques des estimateurs ont été étudiées Les résultats théoriques ont été appliqués à une base de données réelles Une approche de prise en compte de l hétérogénéité de population par clustering a été proposée Perspective: extension de méthodes de clustering au cas de plusieurs variables censurées Svetlana Gribkova, Olivier Lopez (LSTA) Estimation sous censure 4 Mars / 40
Tests 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en 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 détailLa 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 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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailTARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé
TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé Plan de l intervention 1 2 3 Généralités sur le fonctionnement de l assurance
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailMASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013
MASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013 [version du 29 juin 2012] 2 Table des matières 1 Master 2, Spécialité
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en 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 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 détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailRéduisez vos impôts. avec l un des. meilleurs contrats. Retraite! 100% déductibles. Aujourd hui. bénéficiez de tous les avantages.
Cotisations 100% déductibles Réduisez vos impôts Aujourd hui bénéficiez de tous les avantages réservés aux professions libérales et indépendantes avec l un des meilleurs contrats Retraite! Info Retraite
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailLes correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.
Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
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 détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
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 détail