Statistique Mathématique 2 (MATH-F-309, Chapitre #6)
|
|
- Aline Aubin
- il y a 6 ans
- Total affichages :
Transcription
1 Statistique Mathématique 2 (MATH-F-309, Chapitre #6) Thomas Verdebout Université Libre de Bruxelles 2015/2016
2 Plan du cours 1. Vecteurs aléatoires. 2. Loi normale multivariée. 3. Inférence dans les modèles gaussiens. 4. Méthodes classiques de l analyse multivariée. 5. Données directionelles. 6. Modèle linéaire
3 6. Modèles linéaires Hypothèse de linéarité MLE Une approche par projection Théorie distributionnelle Inférence Analyse des residus.
4 L hypothèse linéaire Définition Soit Y un n-vecteur aléatoire avec EY = µ. Un modèle linéaire de dimension k est une hypothèse pour µ de la forme H 0 : µ L, où L est un sous-espace linéaire de R n avec dim(l) = k. Pour une base donnée X = (x 1,..., x k ) de L, ceci veut donc dire que sous H 0 il existe un vecteur de coefficients β = (β 1,..., β k ) tel que Autrement exprimé, µ = k β ix i = Xβ. i=1 Y = Xβ + ε, où Eε = 0 (et assez souvent on suppose que Var(ε) = σ 2 I n).
5 L hypothèse linéaire Il est à remarquer que d après la manière dont ce modèle est défini, on ne l attribue en général pas au domaine de l analyse multivariée. La raison en est que Y = (Y 1,..., Y n) constitue notre échantillon (univarié). Il existe aussi une version multivariée du modèle linéaire général. Alors les Y i des p-vecteurs aléatoires et nous avons une hypothèse de la forme où M R n p, X R n q et B R q p. EY = M = XB, sont
6 L hypothèse linéaire Exemples. Les Y i sont i.i.d. de moyenne µ. Alors X = (1,..., 1) et β = µ. L estimation et l inférence se réduisent à des procédures bien connues. La moyenne de Y i dépend de plusieurs variables (connues) (variables indépendantes, régresseurs) x 1,..., x k de façon linéaire: Y i = x 1iβ 1 + x 2iβ x ki β k + ε i.
7 L hypothèse linéaire Principaux objectifs: Estimer les paramètres inconnus β (ou µ respectivement) et σ 2 si Var(ε) = σ 2 I n. Etablir la distribution des paramètres quand Y est un vecteur multinormal. Tester différentes hypothèses pour β (ou µ respectivement). P.ex. β l = 0 v.s. β l 0 ou β 1 = β 2 = = β k v.s. ils ne sont pas tous égaux ou µ L 2 v.s. µ L 1\L 2... Verifier si le modèle est approprié.
8 6. Modèles linéaires Hypothèse de linéarité MLE Une approche par projection Théorie distributionnelle Inférence Analyse des residus.
9 MLE Supposons que Y N n(µ, σ 2 I n). Alors la fonction de vraisemblance est donnée par ( ) n ( 1 l(µ, σ Y ) = exp 1 ) 2πσ 2 2σ (Y 2 µ) (Y µ) ( ) n ( 1 = exp 1 ) 2πσ 2 2σ Y 2 µ 2. Si le modèle linéaire tient pour Y N n(xβ, σ 2 I n) alors le MLE pour (β, σ 2 ) équivaut à ( ) n ( ( ˆβ, ˆσ 2 1 ) = argmax β,σ 2 exp 1 ) 2πσ 2 2σ Y 2 Xβ 2.
10 MLE Notons que ( ˆβ, ˆσ 2 ) = argmax β,σ 2 = argmin β,σ 2 ( ) n ( 1 exp 1 2πσ 2 2σ 2 Y Xβ 2 ) ( n 2 log(σ2 ) + 1 2σ 2 Y Xβ 2 ). Si nous fixons σ 2 pour le moment, alors nous devons trouver ˆβ = argmin β Y Xβ 2. En posant Y Xβ 2 / β = 0, on obtient facilement (exercice) que ˆβ = (X X) 1 X Y.
11 MLE Afin d obtenir ˆσ 2 nous déterminons argmin s>0 ( n log(s) 2 Des calculs directs (exercice) montrent que + 1 2s Y X ˆβ 2 ) ˆσ 2 = 1 n Y X ˆβ 2..
12 MLE Théorème Supposons qu on a un modèle linéaire de la forme Y N n(xβ, σ 2 I n). Alors le MLE est donné par ˆβ = (X X) 1 X Y et ˆσ 2 = 1 n Y X ˆβ 2. Le maximum de la vraisemblance est donné par ( ) 1 n/2 (ˆσ ) 2 n/2. 2πe
13 MLE Remarque. Les estimateurs ˆβ = (X X) 1 X Y et ˆσ 2 = 1 n Y X ˆβ 2 ne sont pas sans intérêt quand Y n est pas normalement distribué. L estimateur ˆβ est aussi appelé estimateur des moindres carrés. Le vecteur ˆε := Y X ˆβ est appelé vecteur des résidus. Nous notons la somme des carrés des résidus. SSR = Y X ˆβ 2
14 6. Modèles linéaires Hypothèse de linéarité MLE Une approche par projection Théorie distributionnelle Inférence Analyse des residus.
15 Une approche par projection Une autre manière d obtenir le MLE pour β consiste à écrire ˆµ = X ˆβ = argmin µ L Y µ, où L est l espace linéaire engendré par les vecteurs (x 1,..., x k ). Par définition ˆµ = p L (Y ), la projection de Y sur L. Notons que la projection p L (Y ) est caractérisée comme l unique élément dans L tel que Y p L (Y ), x = 0 pour tout x L Y p L (Y ), x j = 0 pour tout j {1,..., k} X (Y p L (Y )) = 0.
16 Une approche par projection Il est limpide que X(X X) 1 X Y L et on voit facilement que X (Y X(X X) 1 X Y ) = 0. D où nous avons que ˆµ = p L (Y ) = X(X X) 1 X Y = X ˆβ. La matrice H = X(X X) 1 X est appelée matrice de projection ou matrice chapeau. Elle est (exercice) symétrique: H = H, et idempotente: H 2 = H.
17 6. Modèles linéaires Hypothèse de linéarité MLE Une approche par projection Théorie distributionnelle Inférence Analyse des residus.
18 Théorie distributionnelle La proposition suivante tient sans hypothèse de normalité. Proposition Supposons que Y est un modèle linéaire de dimension k de la forme Y = µ + ε = Xβ + ε ε (0, σ 2 I n). Soient ˆµ, ˆβ et ˆσ 2 définis comme avant. Alors E ˆβ = β et E ˆµ = µ; Var( ˆβ) = σ 2 (X X) 1 et Var(ˆµ) = σ 2 H; E ˆσ 2 = n k σ 2. n
19 Théorie distributionnelle Preuve. La moyenne et la variance de ˆβ et ˆµ sont simples. Nous allons calculer l espérance de ˆσ 2. En ayant recours à H = H et H 2 = H, nous obtenons que la même chose est vraie pour I n H. Notez aussi que Hµ = µ et donc (I n H)µ = 0. Par conséquent E ˆσ 2 = 1 n E (In H)Y 2 = 1 E (In H)ε 2 n = 1 n Etr(ε (I n H) (I n H)ε) = 1 n tr(eεε (I n H)) = σ2 tr(in H). n La preuve suit alors du fait que tr(h) = tr(x(x X) 1 X ) = tr(x X(X X) 1 ) = k.
20 Théorie distributionnelle Proposition Supposons que Y est un modèle linéaire de dimension k de la forme Y = µ + ε = Xβ + ε ε N n(0, σ 2 I n). Soient ˆµ, ˆβ et ˆσ 2 définis comme avant. Alors (i) ˆβ N p(β, σ 2 (X X) 1 ); (ii) (iii) (iv) ˆµ N n(µ, σ 2 H); ˆσ 2 σ2 n χ2 n k; ˆσ 2 et ˆβ (ou ˆµ, respectivement) sont indépendants.
21 Théorie distributionnelle Preuve de (i) et (ii). Les vecteurs ˆβ et ˆµ sont des transformations linéaires du vecteur normal Y. Donc par les résultats du Chapitre 2, ˆβ et ˆµ sont de nouveau normalement distribués. Par la proposition ci-dessus, nous connaissons leur moyenne et variance appropriées. Nous obtenons (i) et (ii). Les relations (iii) et (iv) suivront des considérations ci-dessous.
22 Théorie distributionnelle Sous-espaces orthogonaux. Deux sous-espaces linéaires L 1 et L 2 de R n sont appelés orthogonaux si x y pour tout x L 1 et y L 2. Alors nous définissons L 1 L 2 = {x + y x L 1 et y L 2}. L 1 L 2 = {x L 1 x L 2} (en supposant que L 2 L 1). Lemme Supposons que L 2 L 1 sont des sous-espaces linéaires de R n. Alors (i) L 1 L 2 est une sous-espace linéaire; (ii) L 1 L 2 L 2; (iii) (L 1 L 2) L 2 = L 1 (= L L = R n ); (iv) p L (v) = v p L (v).
23 Théorie distributionnelle Proposition Soient L 1, L 2,..., L r des sous-espaces orthogonaux de R n avec dim(l i) = k i et L 1 L 2 L r = R n et soit ε N n(0, σ 2 I n). Alors (a) p L1 (ε),..., p Lr (ε) sont indépendants. (b) p Li (ε) 2 σ 2 χ 2 k i 1 i r.
24 Théorie distributionnelle Preuve de (a). Comme L 1, L 2,..., L r sont des sous-espaces orthogonaux de R n avec dim(l i) = k i et L 1 L 2 L r = R n, nous avons une base orthonormale (BON) {e ij, 1 j k i, 1 i r} de R n tel que E i = {e ij, 1 j k i} est une BON de L i. Il s ensuit de E i E i = I ki p Li (ε) = E i(e i E i) 1 E i ε = E ie i ε. Donc, comme E i E j = 0 pour i j, nous obtenons Cov(p Li (ε), p Lj (ε)) = E ie i Cov(ε, ε)e je j = 0. que
25 Théorie distributionnelle Preuve de (b). Nous déduisons par le théorème de Pythagore que k i p Li (ε) 2 = e ij, ε e ij 2 j=1 k i = e ij, ε 2. j=1 Puisque les e ij sont orthonormaux, il suit que les variables e ij, ε sont des variables aléatoires indépendantes de loi normale. Leur moyenne est 0 et la variance σ 2.
26 Théorie distributionnelle Preuve de (iii) et (iv) de la proposition précédente. Rappelons que ˆσ 2 = 1 n Y ˆµ 2. Nous rappelons que Y ˆµ 2 = (I n H)ε 2. Par le point (iv) du lemme précédent il découle que (I n H)v = p L (v), la projection de v sur l espace L = {x R n x L = span(x 1,..., x k )}. Comme dim(l ) = n k, la preuve de (iii) suit du point (b) de la proposition précédente.
27 Théorie distributionnelle Comme et ˆµ = HY = Xβ + Hε = Xβ + p L (ε) ˆσ 2 = 1 n (In H)ε 2 = 1 n p L (ε) 2, nous concluons du point (a) de la proposition précédente que ˆµ et ˆσ 2 sont indépendants. L indṕendance de ˆβ et ˆσ 2 decoule de ˆβ = (X X) 1 X ˆµ.
28 6. Modèles linéaires Hypothèse de linéarité MLE Une approche par projection Théorie distributionnelle Inférence Analyse des residus.
29 Inférence Pour un modèle linéaire Y N n(µ, σ 2 I n), nous allons tester des hypothèses de la forme suivante: k H 0 : µ = x iβ i, contre H 1 : µ = Ou de manière plus générale i=1 l x iβ i, k < l n. H 0 : µ L 2 contre H 1 : µ L 1\L 2 (L 2 L 1). Nous supposons dans la suite que dim(l 1) = k 1 et dim(l 2) = k 2 k 1. i=1
30 Inférence Le rapport de vraisemblance est donné par Λ(Y ) = sup µ 2 L 2,σ 2 >0 l(µ, σ Y ) sup µ1 L 1,σ 1 >0 l(µ, σ Y ). Rappelons que le maximum de la vraisemblance pour le modèle L est proportionnel à Y p L (Y ) n ; la statistique du test de rapport de vraisemblance est donnée par ( ) Y pl1 (Y ) 2 n/2 Λ(Y ) =, Y p L2 (Y ) 2 et rejette l hypothèse nulle si Λ(Y ) est trop petit.
31 Inférence Maintenant comme Y p L2 (Y ) 2 = Y p L1 (Y ) + p L1 (Y ) p L2 (Y ) }{{} L 1 nous obtenons par le théorème de projection et le théorème de Pythagore que Y p L2 (Y ) 2 = Y p L1 (Y ) 2 + p L1 (Y ) p L2 (Y ) 2. Donc le test de rapport de vraisemblance est équivalent au test qui rejette l hypothèse nulle si est trop grand. F (Y ) = p L 1 (Y ) p L2 (Y ) 2 /(k 1 k 2) Y p L1 (Y ) 2 /(n k 1) 2
32 Inférence Maintenant sous H 0 : µ L 2 nous avons F (Y ) = p L 1 (Y ) p L2 (Y ) 2 /(k 1 k 2) Y p L1 (Y ) 2 /(n k 1) = p L 1 (ε) p L2 (ε)/(k 1 k 2) 2 ε p L1 (ε) 2 /(n k 1) = p L 1 L 2 (ε) 2 /(k 1 k 2). p L (ε) 2 /(n k 1 1) Comme R n = L 1 (L 1 L 2) L 2 nous concluons que p L1 L 2 (ε) 2 χ 2 k 1 k 2 p L 1 (ε) 2 χ 2 n k 1.
33 Inférence Théorème Supposons qu on a un modèle linéaire de la forme Y N n(µ, σ 2 I n). Le test de rapport de vraisemblance pour H 0 : µ L 2 contre H 1 : µ L 1 est équivalent à un test F. La statistique de test F (Y ) = p L 1 (Y ) p L2 (Y ) 2 /(k 1 k 2) Y p L1 (Y ) 2 /(n k 1) suit une distribution F de k 1 k 2 et n k 1 degrés de liberté. Pour un test de niveau α, nous rejetons H 0 si F (Y ) F k1 k 2,n k 1 ;1 α.
34 Inférence Remarque. Définissons σ 2 1 = 1 n k 1 Y p L1 (Y ) 2. Remarquons que ceci est un estimateur sans biais pour σ 2 pour le modèle L 1, et que sous H 0 aussi bien que sous H 1 il converge vers σ 2. Alors nous pouvons écrire 1 ˆµ 1 ˆµ 2 2 F (Y ) =, k 1 k 2 où les ˆµ i sont les MLE sous le modèle L i. σ 2 1 Asymptotiquement nous voyons que ˆµ 1 ˆµ 2 2 σ 2 χ 2 k 1 k 2.
35 6. Modèles linéaires Hypothèse de linéarité MLE Une approche par projection Théorie distributionnelle Inférence Analyse des residus.
36 Analyse des résidus L idée générale de l analyse des résidus réside dans l étude de divers plots de résidus afin d évaluer à quel point un modèle donné est proche des/fitte les données. Nous sommes donc amenés à d abord étudier la distribution des résidus afin de savoir comment ils sont censés se comporter. Supposons avoir un modèle linéaire Y N n(µ, σ 2 I n), avec µ L sous H 0. Le vecteur de résidus est Donc montrant que R = Y ˆµ = Y HY = (I n H)Y = (I n H)(µ + ε) H 0 = (I n H)ε. ER = 0 et Var(R) = σ 2 (I n H), R N n(0, σ 2 (I n H)). Remarquons que ˆµ et R sont indépendants.
37 Analyse des résidus Remarquons que R est dans un certain sens un estimateur pour l erreur statistique non-observée ε. Comme ε R = Hε, nous avons (nous utilisons encore une fois le fait que H est idempotent) que Var(ε R) = σ 2 H.
38 Analyse des résidus Exemple. Considérons le modèle de régression linéaire simple Y i = β 0 + β 1x i + ε i, ε i iid N(0, σ 2 ), où 1 i n. Nous pouvons réécrire ceci comme Y i = α 0 + β 1t i + ε i, où α 0 = β 0 + β 1 x et t i = x i x. Alors t = 0. Notons t + = t 2 i. En forme vectorielle notre modèle correspond à Y = Xβ + ε, avec X = (1 n, t) et β = (α 0, β 1), où 1 n = (1,..., 1) R n. Notons que 1 nt = n t = 0.
39 Analyse des résidus Exemple, suite. ( ) n 0 Dans cet exemple X X =. Ceci montre (pourquoi?) que ˆα 0 et 0 t ˆβ 1 sont + indépendants. De plus nous avons (( )) H = X(X X) 1 X 1 n = n + titj. t + i,j=1 Si nous supposons que les x i sont des nombres aléatoires iid, de moyenne m x et de variance σ 2 x, alors par la loi des grands nombres H ij = O P ( n 1 ) pour tout 1 i j n. En particulier les éléments diagonaux de H, ε i R i, seront très proches de zéro si n est grand, montrant que les résidus devraient se comporter similairement que ε.
40 Analyse des résidus Exemple, suite. De plus, comme nous voyons que Var(R) = σ 2 (I n H), cov(r i, R j) { σ 2 si i = j 0 autrement quand n est grand. Ceci est en accord avec Var(ε) = σ 2 I n.
Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
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 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 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 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 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 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 détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
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 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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
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 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 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 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 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 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 détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
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 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 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 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 détail2008/03. La concentration des portefeuilles : perspective générale et illustration
2008/03 La concentration des portefeuilles : perspective générale et illustration Olivier Le Courtois Professeur de finance et d assurance UPR Economie, Finance et Gestion EMLYON Christian Walter Actuaire
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailL Econométrie des Données de Panel
Ecole Doctorale Edocif Séminaire Méthodologique L Econométrie des Données de Panel Modèles Linéaires Simples Christophe HURLIN L Econométrie des Données de Panel 2 Figure.: Présentation Le but de ce séminaire
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
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 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 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 détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
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 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 détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
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 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 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 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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailC algèbre d un certain groupe de Lie nilpotent.
Université Paul Verlaine - METZ LMAM 6 décembre 2011 1 2 3 4 Les transformations de Fourier. Le C algèbre de G/ Z. Le C algèbre du sous-groupe G 5 / vect{u,v }. Conclusion. G un groupe de Lie, Ĝ l ensemble
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
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 détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
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 détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
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 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 détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
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 détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailMATHÉMATIQUES FINANCIÈRES I
MATHÉMATIQUES FINANCIÈRES I Quinzième cours Détermination des valeurs actuelle et accumulée d une annuité de début de période pour laquelle la période de paiement est plus courte que la période de capitalisation
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 détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailPEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS?
PEUT-ON «VOIR» DANS L ESPACE À N DIMENSIONS? Pierre Baumann, Michel Émery Résumé : Comment une propriété évidente visuellement en dimensions deux et trois s étend-elle aux autres dimensions? Voici une
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 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 détailLa sophistication de la gestion des risques génère elle-même des risques
Préface 9 haute valeur ajoutée. En gestion des risques, cela signifie très concrètement de développer des outils statistiques d aide à la décision (score, système expert) ou des indicateurs de risque synthétiques,
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 détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
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 détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailNotes de cours Statistique avec le logiciel R
Notes de cours Statistique avec le logiciel R Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction L objectif de ce cours est
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
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 détailConstruction d un cercle tangent à deux cercles donnés.
Préparation au CAPES Strasbourg, octobre 2008 Construction d un cercle tangent à deux cercles donnés. Le problème posé : On se donne deux cercles C et C de centres O et O distincts et de rayons R et R
Plus en détailEconométrie La régression linéaire simple et multiple
Ricco Rakotomalala Econométrie La régression linéaire simple et multiple Version 1.1 Université Lumière Lyon 2 Page: 1 job: Econometrie_Regression macro: svmono.cls date/time: 26-May-2015/18:13 Page: 2
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 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 détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
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 détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
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 détailDossier Logique câblée pneumatique
Dossier Logique câblée pneumatique Festo Belgium SA Rue Colonel Bourg 11 BE-13 Bruxelles www.festo.com Logique câblée pneumatique Chaque schéma de commande est élaboré selon une logique déterminée. Cette
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
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 détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
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 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 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détail