Motivation / objectif Cours GIMAS8AD
|
|
- Vincent Germain
- il y a 6 ans
- Total affichages :
Transcription
1 Motivation / objectif Cours GIMAS8AD Séries chronologiques - Séance Les processus ARIMA Frédéric Sur École des Mines de Nancy Box et Jenkins 197 (à la suite de Yule et Slutsky 197) : de nombreuses phénomènes temporels (ou leur dérivée), dans de nombreux domaines, peuvent être représentés par des processus. Rappel : les processus considérés sont de la forme X t = m + + j= a j ε t j avec + j= a j < + et (ε t ) bruit blanc (faible) En fait (ε t ) sera même généralement un bruit blanc gaussien. on parle de processus linéaire gaussien. 1/35 /35 Séance Séance /35 4/35
2 Les processus MA (=moyenne mobile) Caractérisation de l ordre d un MA(q) Définition : processus MA(q) (Slutsky 197) Ce sont les processus (X t ) du type : t, X t = m + ε t q θ i ε t i où q 1, (θ i ) 1 i q réels, et (ε t ) est un bruit blanc (gaussien dans notre cours). Convention d écriture X t m = Θ(B)ε t où Θ(B) = 1 θ 1 B θ q B q et B est l opérateur retard : B k ε t = ε t k. h, ρ(h) = Cov(X t, X t+h ) Var(Xt )Var(X t+h ) = γ(h) γ(). Pour un processus MA(q) : (calcul algébrique simple) ( 1 + θ θ ) q σ si h = γ(h) = (θ h + θ h+1 θ θ q θ q h ) σ si 1 h q si h > q Propriété : fonction d autocorrélation (ACF) d un MA(q) 1 si h = θ ρ(h) = h +θ h+1 θ 1 + +θ q θ q h si 1 h q θ1 + +θ q si h > q 5/35 Remarque : les processus MA(q) sont. 6/35 Intérêt : détermination de q. Espérance conditionnelle si (X t ) gaussien Fonction d autocorrélation partielle (PACF) Définition ( rappel ) : espérance conditionnelle E(X t X t 1,..., X t h ) = a 1 (h)x t a h (h)x t h (X t ) stationnaire donc dans (L, E(XY )). E(X t X t 1,..., X t h ) = a 1 (h)x t a h (h)x t h est la meilleure approximation de X t par une combinaison linéaire de (X t 1,..., X t h ) dans L muni du produit scalaire < X, Y >= E(XY ). (cf régression) X t Vect(X t 1,..., X t h ) Définition : PACF de (X t ) Le terme r(h) = a h (h) est la corrélation partielle d ordre h. Propriété (cf poly : géométrie dans un espace de Hilbert) ( h 1, a h (h) = corr Xt, X ) t h où : X t = X t E(X t X t 1,..., X t h+1 ) et : X t h = X t h E(X t h X t 1,..., X t h+1 ) E(X t X t 1,..., X t h ) Interprétation : corrélation entre X t et X t h lorsque l influence des variables X t 1,..., X t h+1 a été retirée. 7/35 8/35
3 Retour aux processus MA(q) Résumé : les processus MA (moyennes mobiles) L expression générale du PACF d un processus MA(q) est compliquée. Cas particulier : MA(1) Définition : processus MA(q) q X t = m + ε t θ i ε t i X t m = Θ(B)ε t alors : t, X t = m + ε t + θε t 1. r(h) = a h (h) = θh (θ 1) 1 θ h+. avec Θ(B) = 1 θ 1 B θ B θ q B q. Propriété Un processus MA(q) est stationnaire. ( r(h) ) h 1 décroît de manière exponentielle (si θ 1). Corrélogrammes : ACF : ρ(h) = si h > q, PACF : r(h) tend vers. (q = 1 vitesse exponentielle ) permet l identification d un MA(q). 9/35 1/35 Les processus AR (=autorégressif) Exemple : processus AR(1) Définition : processus AR(p) (Yule 197) Ce sont les processus (X t ) du type : t, X t = c + p φ i X t i + ε t où p 1, (φ i ) 1 i p réels, et (ε t ) est un bruit blanc (gaussien). Convention d écriture : (constante c vs. moyenne m) Φ(B)X t = c + ε t ou : Φ(B)(X t m) = ε t t, X t = φx t 1 + ε t ( ou (1 φb)x t = ε t ) Exemple-type, car : Φ(B)X t = ε t p ( 1 φ i B ) X t = ε t si φ < 1 alors X t = ( 1 + φb + φ B +... ) ε t (X t ) stationnaire, équivalent à MA( ). si φ > 1 alors X t = ( φ 1 B 1 + φ B +... ) ε t (X t ) stationnaire (mais non causal sous cette forme). 11/35 avec Φ(B) = 1 φ 1 B φ p B p (B : opérateur retard) et : (1 φ 1 φ p )m = c Question : un processus AR(p) est-il stationnaire? 1/35 si φ = 1 (marche aléatoire) : X t = X t 1 + ε t. On a bien t, E(X t ) = E(X t 1 ). Mais var(x t ) dépend de t (non constante). (X t ) non-stationnaire.
4 Simulation de processus AR(1) (ε t ) i.i.d. N (, 1) φ =. φ =.8 φ = Caractérisation de l ordre d un AR(p) stationnaire Propriété : PACF d un processus AR(p) Si r(h) est la fonction d autocorrélation partielle : h > p, r(h) = Preuve : X t = p φ ix t i + h i=p+1 X t i + ε t, puis projection sur (X t 1,..., X t h ) sachant ε t décorrélé de X t 1,..., X t h. Intérêt : détermination de p Propriété : ACF d un processus AR(p) ( ρ(h) ) h décroît vers de manière exponentielle φ =. φ =.8 φ = 1 Preuve : cf équations de Yule-Walker, qui permettent de retrouver les φ i à partir des ρ(h) (poly). 13/35 14/35 Résumé : les processus AR (autorégressifs) Les processus ARMA (=autorégressif moyenne mobile) Définition : processus AR(p) p X t = c + φ i X t i + ε t Φ(B)(X t m) = ε t avec Φ(B) = 1 φ 1 B φ p B p. Propriété Φ(B)(X t ) = c + ε t Un processus AR(p) est stationnaire si Φ n a pas de racine unité. Définition : processus ARMA(p,q) Ce sont les processus (X t ) du type : t, X t = θ + p φ i X t i q θ j ε t j + ε t j=1 où p 1, (φ i ) 1 i p et (θ j ) j q réels, et (ε t ) b.b. gaussien. Notation symbolique : Φ(B)X t = θ + Θ(B)ε t. ou : Φ(B)(X t µ) = Θ(B)ε t avec : θ = Φ(B)µ (θ joue le rôle de c dans proc. AR) 15/35 Corrélogrammes : ACF : ρ(h) décroît de manière exponentielle vers PACF : h > p, r(h) = permet l identification d un AR(p). Remarque : si Φ a ses racines à l extérieur du cercle unité, alors on peut écrire : X t = + j= a j ε t j (sous forme MA( + ) + relations entre a j ) cf. principe de parcimonie. 16/35
5 Séance Les processus non 1 3 Forme générale d une chronique (modèle linéaire) : X t = T t + S t + u t. avec T t tendance, S t saisonnalité, u t perturbation aléatoire. (X t ) n est pas stationnaire /35 18/35 Les processus ARIMA (=ARMA intégré) Dérivation des processus Opérateur de différentiation : X t = X t X t 1 = (1 B)X t. Définition : processus ARIMA(p,d,q) Ce sont les processus (X t ) du type : Φ(B)(1 B) d X t = θ + Θ(B)ε t où Φ sans racine unitaire, p, d, q, et (ε t ) est un bruit blanc gaussien (écart-type σ). Remarque : processus ARIMA non, mais d fixé tel que (1 B) d X t stationnaire. ARIMA : Φ(B)(1 B) d X t = θ + Θ(B)ε t Intérêt 1 : permet de traiter les chroniques avec tendance. X t = at + b + u t : alors (1 B)X t = a + (1 B)u t est stationnaire. X t = at + bt + c + u t : (1 B) X t est stationnaire. etc. Intérêt : permet de stabiliser la variance. X t = X t 1 + u t (marche aléatoire), alors (1 B)X t = u t est stationnaire. Remarque : dans les deux cas, racine unité dans la partie AR. 19/35 /35
6 Les processus SARIMA Séance Permettent de traiter le cas de la saisonnalité. cf prochaine séance /35 /35 Modélisation des chroniques par (S)ARIMA du modèle ARIMA(p,d,q) Comment modéliser une chronique X t par un ARIMA(p,d,q)? méthode de Box et Jenkins (197) 1 des paramètres p, d, q. des θ j,φ i, et σ 3 du modèle. 4 du futur.. Transformation de la chronique (log, exp,, Box-Cox) pour stabiliser la variance, passage au modèle additif. 1. de d. Indices de non-stationnarité : ça se voit sur le graphique (tendance), l ACF ne décroît pas assez vite. dériver. Attention à ne pas trop dériver... Si X t déjà stationnaire, alors Y t = X t X t 1 a tendance à présenter un ρ(1) (ACF) proche de 1. (introduction d autocorrélations négatives) indication de d trop grand... 3/35 4/35
7 du modèle ARIMA(p,d,q). de p et q. Utilisation des corrélogrammes. Rappel : ACF PACF AR(p) ρ(h) : décroissance r(h) = si h > p exponentielle vers MA(q) ρ(h) = si h > q r(h) décroissance exponentielle vers des paramètres θ j, φ i, σ (1) Définition : vraisemblance de la réalisation d un v.a. X Soit f θ la densité de X, et x une réalisation de X : L(x; θ) = f θ (x) (θ : paramètres de la densité d un vecteur aléatoire) Méthode du maximum de vraisemblance : estimer θ qui maximise L(x; θ), connaissant x. (idée : plus la vraisemblance est grande, plus il est probable que le modèle pour les (X t ) soit bon) Remarque 1 : on dispose des ACF et PACF empiriques. SAS donne des intervalles de confiance pour les ρ(h) et r(h), on vérifie que les pics ne sont pas significatifs. Remarque : si vrai ARMA(p,q), comme on se limitera à p, q, on teste les différents modèles... (sinon méthodes plus sophistiquées, cf méthode du coin.) Exemple : x 1, x,..., x n réalisations i.i.d. gaussiennes : L(x 1, x,..., x n ; µ, σ) = ( ) 1 exp 1 n ( xi µ ) σ n (π) n/ σ x i µ=1,σ= µ=1,σ=4 µ= 1,σ= 5/35 6/ /35 des paramètres θ j, φ i, σ () t, X t = θ + p φ i X t i + ε t Hypothèse : (ε t ) i.i.d. N (, σ ). Donc (X t ) t T est un vecteur gaussien. (car combinaison linéaire des (ε t )) q θ j ε t j Vraisemblance des T observations X t : L ( (X t ) (φ i ), (θ j ), σ ) ( 1 = (π) T / det Ω exp 1 ) X Ω 1 X où Ω dépend des φ i, θ j, σ ; X = (X t ) 1 t T j=1 des paramètres (φ i ), (θ j ), σ par la méthode (numérique) du maximum de vraisemblance. Remarque : il existe d autres méthodes d estimation. à utiliser lorsque SAS avertit d un problème d optimisation numérique. 8/35 Examen de la validité du modèle 1. Significativité des paramètres estimés (Student). Résidus = bruit blanc gaussien? e t des résidus : écart entre observation X t et X t 1 (1) (cf ) Vérifier que les résidus (e t ) sont bien des réalisations d un bruit blanc gaussien (ε t ) : vérification graphique : moyenne nulle, variance constante, pas de structure. ACF et PACF des résidus ne doivent pas avoir de pics significatifs. Portmanteau Test (Box-Pierce) sur les résidus : soit ρ(h) l ACF des résidus. Alors : (T K) K h=1 ρ(h) suit un χ à K p q d.d.l., sous hypothèse (ε t ) bruit blanc gaussien. Mieux : Ljung-Box. (sous SAS, généralement K = 6, K = 1...)
8 Sélection de modèle avec modèle ARIMA(p,d,q) Question : comment choisir entre différents modèles ARIMA(p,d,q) valides? Plusieurs possibilités : Minimisation de la variance des résidus σ. Minimisation de critères d information : AIC = log(l) + (p + q) ou BIC = SBC = log(l) + (p + q) log(t ). (compromis entre vraisemblance et nombre de paramètres) la semaine prochaine. Remarque 1 : le choix entre différents modèles se fait selon un critère. Remarque : on préfère les modèles simples (principe du rasoir d Ockham ou de parcimonie). 9/35 3/35 Séance 1 3 La procédure ARIMA d un modèle ARIMA(p,d,q) : proc arima data=serie; identify var=variable; identify var=variable(1); estimate p=1 plot; estimate p=1 q=1 plot; forecast out=sortie back=1 lead=1; identify : identification des ordres p et q avec ACF et PACF de la chronique, éventuellement différentiée (ordre d). 4 5 estimate : estimation des paramètres et significativité, ACF et PACF des résidus, portmanteau. forecast : s. 31/35 3/35
9 Écriture des différents modèles : estimate estimate p=3; Y t = θ + φ 1 Y t 1 + φ Y t + φ 3 Y t 3 + ε t ARIMA(3, d, ) estimate p=3 noconstant; Y t = φ 1 Y t 1 + φ Y t + φ 3 Y t 3 + ε t sous-modèle de ARIMA(3, d, ) estimate p=1 q=; Y t = θ + φ 1 Y t 1 + ε t θ 1 ε t 1 θ ε t ARIMA(1, d, ) estimate p= q=(); Y t = θ + φ 1 Y t 1 + φ Y t + ε t θ ε t sous-modèle de ARIMA(, d, ) estimate q=(1 3); Y t = θ θ 1 ε t 1 θ 3 ε t 3 sous-modèle de ARIMA(, d, 3) estimate p=(1) q=; Y t = θ + φ 1 Y t 1 + ε t θ 1 ε t 1 θ ε t SARIMA(, d, )(1, d, ) 1 Séance /35 34/35 stationnaire? AR pur (sans racine unité), MA pur, ARMA. identifications des ordres p / q : ACF et PACF. -stationnaire? on stationnarise d abord en transformant la variable et / ou dérivant (ARIMA / SARIMA) Il faut aussi valider le modèle identifié (significativité des coefficients, résidus b.b.g., etc). à pratiquer en TD! 35/35
2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................
Plus en 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 détail1 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 détailSéries temporelles : régression, et modélisation ARIMA(p,d,q)
Séries temporelles : régression, et modélisation ARIMA(p,d,q) 2 décembre 2012 Enseignant : Florin Avram Objectif : La prédiction des phénomènes spatio-temporaux est une des preoccupations principales dans
Plus en 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 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 détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en 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 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 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 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 détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en 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 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 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 détailIntérêt 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détail(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
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 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 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 détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailMéthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques
Méthodologie du calcul de la VaR de marché : revue de l approche basée sur des simulations historiques Asshvin Gajadharsingh Mesure et analyse quantitative du risque Caisse de dépôt et placement du Québec
Plus en détailTests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE
Chapitre 5 UE4 : Biostatistiques Tests paramétriques de comparaison de 2 moyennes Exercices commentés José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
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 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 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 détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
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 détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 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 détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 détailModèle 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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en 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 détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
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 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 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 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 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 détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
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 détailMicrosoft Excel : tables de données
UNIVERSITE DE LA SORBONNE NOUVELLE - PARIS 3 Année universitaire 2000-2001 2ème SESSION SLMD2 Informatique Les explications sur la réalisation des exercices seront fournies sous forme de fichiers informatiques.
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
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 détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
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 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 détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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 détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
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 détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en 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 détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en 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 détailINITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailLISACode. Un simulateur opérationnel pour LISA. Antoine PETITEAU LISAFrance - le 16 mai 2006
LISACode Un simulateur opérationnel pour LISA Antoine PETITEAU LISAFrance - le 16 mai 2006 Plan Rappel sur LISACode. Validation du simulateur. Possibilités du simulateur. Résultats obtenus. Bruit de confusion.
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en 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 détailProjet 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 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 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 détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
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 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 détailModèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions.
Problèmes mathématiques de la mécanique/mathematical problems in Mechanics Modèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions. Cristinel Mardare Laboratoire
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 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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailMASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance
MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire
Plus en 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 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 détailESSEC Cours Wealth management
ESSEC Cours Wealth management Séance 9 Gestion de patrimoine : théories économiques et études empiriques François Longin 1 www.longin.fr Plan de la séance 9 Epargne et patrimoine des ménages Analyse macroéconomique
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détail