Méthodes pour l analyse des données fonctionnelles p.1/44
|
|
- Lucile Soucy
- il y a 8 ans
- Total affichages :
Transcription
1 Méthodes pour l analyse des données fonctionnelles Cristian PREDA Polytech Lille Université des Sciences et Technologies de Lille, France Méthodes pour l analyse des données fonctionnelles p.1/44
2 Google : - chemometrics : functional+ data : functional + data + chemometrics : Méthodes pour l analyse des données fonctionnelles p.2/44
3 Données fonctionnelles Exemples : Indice d action boursière Marche : angle du genou Données spectrométriques X(t) X(l) time Pétrissage: résistance de la pâte long. d onde (l) Données spectrométriques Méthodes pour l analyse des données fonctionnelles p.3/44
4 Variable fonctionnelle et donnée fonctionnelle Définition [Ferraty et Vieu (2006)] : Une variable aléatoire est dite fonctionnelle si ses valeurs sont dans un espace de dimension infinie. Une observation d une variable fonctionnelle est appelée donnée fonctionnelle X = {X t : t T }, X t : Ω R - T R : courbe - T R 2 : image Méthodes pour l analyse des données fonctionnelles p.4/44
5 Tableau des données : En pratique, une donnée fonctionnelle est observée dans un nombre fini d instants : 0 = t 0 < t 1 <... < t k = T : {(t 0,X t0 ), (t 1,X t1 ),...,(t k,x tk )}. X t 1 0 T time Méthodes pour l analyse des données fonctionnelles p.5/44
6 Caractère fonctionnel de la courbe : interpolation : linéaire, spline,... lissage si les données sont observées avec erreurs X(t) temps Lissage utilisant une base de fonctions (B-splines cubiques) Méthodes pour l analyse des données fonctionnelles p.6/44
7 Exemples : - lissage : X(t) X(t) interpolation : temps temps Données spectrométriques X(l) long. d onde (l) Méthodes pour l analyse des données fonctionnelles p.7/44
8 Données fonctionnelles qualitatives Deville (1982) X t {"Single", "Married", "Divorced", "Widowed"} Single Married Married Divorced time Evolution de l état civil des femmes de 15 à 45 ans. - E = {1, 2,... m} = espace d états, - (Ω, A,P), X = {X t : t [0,T]}, X t : Ω E (processus de sauts). Méthodes pour l analyse des données fonctionnelles p.8/44
9 Mèthodes pour les données fonctionnelles Deville (1974) Saporta (1981) Ramsay et Silverman (1997, 2002, 2005) Ferraty et Vieu (2006) - Analyses factorielles - Modèles de régression - Classification Méthodes pour l analyse des données fonctionnelles p.9/44
10 Exemples : Vecteur de dimension finie Données fonctionnelles Données X = (X 1, X 2,... X p ) X = {X t } t [0,T] ACP Régression linéaire Matrice de cov. V : M p p (R) f.p. : u = (u 1,..., u p ) R p : V u = λu c.p. : ξ = u 1 X u p X p E(Y X = (x 1,..., x p )) : β 0 + P p i=1 β ix i Opérateur de cov. C de noyau C(t,s) Z T f.p. : u : T R : C(t, s)u(s)ds = u(t) c.p. : ξ = R T u(t)x tdt E(Y X = {x(t), t T }) : Z β 0 + β(t)x(t)dt T Méthodes pour l analyse des données fonctionnelles p.10/44
11 ACP des données fonctionnelles {X t : t [0, T]} : - E(Xt 2) <, - L 2 -continu, - ω Ω : (X t (ω)) t [0,T] L 2 ([0, T]), - E(X t ) = 0, t [0, T]. C : L 2 ([0, T]) L 2 ([0, T]), f C g, g(t) = C(t, s) = Cov(X t X s ), s, t [0, T]. Z T 0 C(t, s)f(s)ds, t [0, T], C : autoadjoint, positif, compact et de trace finie. Méthodes pour l analyse des données fonctionnelles p.11/44
12 {λ 1 λ 2...}, {f i } i 1 : Cf i = λ i f i, - λ i 0, lim i λ i = 0, - (f i f j ) = δ i,j. X λ i < i=1 ξ i = Z T {ξ i } i 1 : Var(ξ i ) = λ i, Cov(ξ i, ξ j ) = 0, i j. 0 f i (t)x t dt i 1. W : L 2 (Ω) L 2 (Ω), Wz = Z T 0 X t E(X t z)dt, z L 2 (Ω). Wξ i = λ i ξ i, i 1. Méthodes pour l analyse des données fonctionnelles p.12/44
13 Reconstitution des données en ACP ou décomposition de Karhunen-Loève : X t = X i 1 f i (t)ξ i, t [0, T]. Approximation d ordre K (K 1) : X (K) t = KX f i (t)ξ i, t [0, T]. i=1 Loève (1945) : X (K) est la meilleure approximation dex en norme L 2. V (Xt ) = Z T 0 E(X 2 t )dt = Tr(C) = X i 1 λ i. KX I K = V (X (K) t ) V (Xt ) = i=1 λ i X 1. λ i i 1 Méthodes pour l analyse des données fonctionnelles p.13/44
14 Exemple : X = {X t, t [0, T]} : processus à accroissements stationnaires non corrélés (Poisson, le mouvement brownien) C(t, s) = c min(t, s), c > 0. - λ k = 4cT 2 (2k 1) 2, k = 1,...,. π2 - f k (t) = r 2 T sin((k 1 2 )π t T ) - I 1 = 81.1% - I 2 = 90.1% - I 3 = 93.3% - I 4 = 95.0% X t ξ 1 f 1 (t) = ξ 1 r 2 T sin( πt 2T ) Méthodes pour l analyse des données fonctionnelles p.14/44
15 Estimation et approximation de l ACP - Estimation Deville 74, Dauxois et al. 82 {X 1, X 2,..., X N } Ĉ(t, s) = 1 N NX X i (t)x i (s), (s, t) [0, T] [0, T], i=1 (Ĉf)(t) = Z T 0 Ĉ(t, s)f(s)ds, f L 2 ([0, T]). - lim N E( Ĉ C 2 ) = 0, - lim N E(ˆλ i λ i ) 2 = 0 (o(n 1 2 )), - lim N E( ˆf i f i 2 ) = 0 (o(n 1 2 )). Méthodes pour l analyse des données fonctionnelles p.15/44
16 - Interpolation {0 = t 1 < t 2 <... < t p = T }, {X t0, X t2,..., X tp }. (Deville 74 et Besse 79) : ACP {X t0, X t2,..., X tp } ACP (X t ) t [0,T]. Interpolation linéaire : IX t = px c i φ i (t), t [0, T], {φ i } i=0,..,p, est une base dans un espace de fonctions et {c i } i=0..p v.a.r. : i=0 IX ti = X ti p.s. ACP (IX t ) t [0,T] l ACP {X t0, X t1,..., X tp } avec pour métrique M = ΦΦ, où Φ = A 1, A = (a i,j ) 0 i,j p, a i,j = φ i, φ j. Le choix des fonctions d interpolation est équivalent à celui d une métrique. Deville 74 : constantes par morceaux, Pardoux 82 : splines linéaires, Aguilera 93 : B-splines, Besse 89 : splines, Méthodes pour l analyse des données fonctionnelles p.16/44
17 - Lissage {φ 1,...,φ p } dans L 2 ([0,T]), lin. indep. X t p i=1 α i φ(t). ACP de X est equivalente à l ACP de {α 1,...,α p } avec la métrique Φ = { φ i,φ j }. Méthodes pour l analyse des données fonctionnelles p.17/44
18 Implémentation R Le package fda Quelques fonctions utiles : - création d une base de fonctions : create.bspline.basis - création d un objet donnée fonctionnelle : data2fd - réalisation de l ACP fonctionnelle : pca.fd - régression linéaire avec prédicteur fonctionnel sur les composantes principales : pcr, pls Méthodes pour l analyse des données fonctionnelles p.18/44
19 Exemple. Les facteurs principaux : farines de Danone. fp[, 1] fp[, 2] bonne[, 1] bonne[, 1] fp[, 3] fp[, 4] bonne[, 1] Méthodes pour l analyse des données fonctionnelles p.19/44 bonne[, 1]
20 Régression sur données fonctionnelles Y = f(x) + ε Y : - scalaire (R) - vectorielle scalaire (R p ) - fonctionnelle (L 2 ([0,T])) - qualitative Modélisation paramétrique et non-paramétrique. Méthodes pour l analyse des données fonctionnelles p.20/44
21 Le modèle linéaire f - linéaire : théor `me de représentation de Riesz : Moindres carrés : f(x) = X, β L2 ([0,T]) = E(Y X t ) = En général, c est un problème mal posé car Théorème (Picard) Z T 0 Z T 0 X t β(t)dt, β L 2 ([0, T]). E(X t X s )β(s)ds (W H) β unique X i 1 c 2 i λ 2 i <, c i = Z T 0 E(X t Y )f i (t)dt, {λ i } i 1, {f i } i 1 (ACP) β(t) = X i 1 c i λ i f i (t), t [0, T]. Exemple : Le processus X est un processus de Poisson sur [0,T] et Y = X T+h, h > 0. Alors, X c 2 i λ 2 = X 2 i T =, i 1 i 1 Ŷ = X T et β est la distribution de Dirac en T, δ T. Méthodes pour l analyse des données fonctionnelles p.21/44
22 Régularisation des moindres carrés - réduction de la dimmension :X X S, S = {φ 1,..., φ p } Régression sur les composantes principales (PCR) : S = {f 1,..., f p } - facteurs principaux de l ACP de X (Deville (1978), Aguilera (1998), Cardot et al. (1999)) - pénalisation des moindres carrés : ˆβ = arg min β S 1 n nx (Y i X i, β ) 2 + λ β (m) 2 i=1 (Ramsay et Silverman (1997), Cardot et al. (2003)) - les moindres carrés partiels (PLS). ˆβ P LS = arg min β L 2 ([0, T]) β = 1 1 nx (Y i X i, β ) 2 n i=1 {z } 1 n X i, β 2 {z } Méthodes pour l analyse des données fonctionnelles p.22/44
23 L approche PLS pour données fonctionnelles X = {X t } t [0,T], Y = (Y 1,...,Y p ), p 1. {t i } i 1 variables aléatoires non-corrélées dans L 2 (X) Théorème [Critère de Tucker] max w, c w L 2 ([0, T]), w = 1 c R p, c = 1 Cov 2 Z T 0! px X t w(t)dt, c i Y i i=1 est réalisé pour w et c, les vecteurs propres associés à la plus grande valeur propre des opérateurs U X, respectivement U Y, où U X = C XY C Y X et U Y = C Y X C XY. Méthodes pour l analyse des données fonctionnelles p.23/44
24 Les composantes PLS Soit w 1 L 2 ([0, T]) : U X w 1 = λ max w 1, t 1 = Z T 0 X t w 1 (t)dt Proposition. W X W Y t 1 = λ max t 1 Itération PLS : Let X 0,t = X t, t [0, T] and Y 0,i = Y i, i = 1,..., p. Au pas h, h 1 : Wh 1 X WY h 1 t h = λ (h) maxt h, Régression linéaire simple sur t h : X h,t = X h 1,t p h (t)t h, t [0, T], Y h,i = Y h 1,i c h,i t h, i = 1,..., p. {t h } h 1 - variables aléatoires {p h } h 1 - fonctions de L 2 ([0, T]) {c h } h 1 - vecteurs de R p. Méthodes pour l analyse des données fonctionnelles p.24/44
25 Théorème [Décomposition PLS] Pour tout h 1 : a) {t i } 1 i h système orthogonal dans L 2 (X), b) Y = c 1 t 1 + c 2 t c h t h +Y h = {z } Ŷ P LS(h) Z T c) X t = p 1 (t)t 1 + p 2 (t)t p h (t)t h + X h,t, d) E(Y h,j t i ) = 0, i = 1,..., h, j = 1,..., p, e) E(X h,t t i ) = 0, t [0, T], i = 1,..., h. 0 X t β P LS(h) (t)dt + Y h, Théorème [Convergence] ( lim E ŶPLS(h) Ŷ 2) = 0. h Théorème [PLS vs PCR] L ajustement à l aide des premières h composantes PLS est meilleur que celui avec les premières h composantes principales, R 2 (Y,ŶPCR(h)) R 2 (Y,ŶPLS(h)). Méthodes pour l analyse des données fonctionnelles p.25/44
26 Remarque : - analogie avec l analyse canonique - prise en compte des relations existant entre les variables {Y i } i=1,...,p. - réponse fonctionnelle :Y = {Y t } t [0,T ]. - choix de h en pratique : validation croisée. Méthodes pour l analyse des données fonctionnelles p.26/44
27 PLS et l analyse discriminante linéaire fonctionnelle X = {X t } t [0,T], X t : Ω R, Y : Ω {1,...,K}, K 1, - P(Y = i) 0, i {1,...,K} Problème : Déterminer des scores discriminantes linéaires, tels que Φ(X) = T 0 max β L 2 [0,T] X t β(t)dt, V(E(Φ(X) Y )) V(Φ(X)) β L 2 [0,T], (James et Hastie (2001), Ratcliffe et al. (2002), Ferraty et Vieu (2003), Biau et al. (2005)) Méthodes pour l analyse des données fonctionnelles p.27/44
28 Réponse binaire : un problème mal posé Y {0, 1} : p 0 = P(Y = 0), p 1 = 1 p 0 = P(Y = 1), µ 0 (t) = E(X t Y = 0), µ 1 (t) = E(X t Y = 1),t [0, 1]. Soient - C : l opérateur de covariance de X - B : l opérateur de covariance interclasses définit par f B g, g(t) = T 0 B(t, s)f(s)ds, où B(t,s) = p 0 p 1 (µ 0 (t) µ 1 (t))(µ 0 (s) µ 1 (s)) = φ φ, avec φ = p 0 p 1 (µ 0 µ 1 ). Alors, Méthodes pour l analyse des données fonctionnelles p.28/44
29 La fonction discriminante, β, vérifie : Bβ = λcβ, avec β,cβ L2 [0,T] = 1. Recoder Y par : 0 p1 p 0, 1 p0 p 1 Alors, β est solution de l équation Wiener-Hopf E(Y X t ) = T 0 E(X t X s )β(s)ds (W-H) Méthodes pour l analyse des données fonctionnelles p.29/44
30 En pratique Y {0, 1} }{{} = Y { p1 p 0, recodage p0 p 1 }. Régression PLS de Y sur X = {X t } t [0,T] : - fonction discriminante : β PLS(h). - score discriminant : Φ(X) = T 0 X tβ PLS(q) (t)dt. Prédiction : si Φ(X) 0 alors Y = 1 sinon Y = 0. Méthodes pour l analyse des données fonctionnelles p.30/44
31 Réponse multiple : K > 2 Y {1,...,K}. Soit Y = {Y 1,...,Y K 1 } le vecteur aléatoire dont les composantes sont les variables indicatrices des modalités {1,... K 1}. Méthodologie basée sur l analogie entre l analyse canonique et analyse discriminante : - régression PLS de Y sur X = {X t } t [0,T] : - déterminer les composantes PLS {t 1,...,t h }, - réaliser l analyse lináire discriminante classique de Y sur les composantes PLS. Méthodes pour l analyse des données fonctionnelles p.31/44
32 Modélisation non-paramétrique Y = f(x) + ε. ˆf(x) = P n i=1 Y ik(d(x, X i )/h) P n i=1 K(d(x, X i)/h), (Ferraty et al. (2006)! Convergence :φ x (h) = P(d(x, X) < h). Estimation non-paramétrique de la fonction de répartition conditionnelle et du mode conditionnel. Précision des viteses de convergences. f : minimiser le risque empirique : R emp [f] = 1 n nx C(X i, Y i, f(x i )) i=1 Fonction de perte : C(x, y, f(x)) = 8 >< >: (y f(x)) 2 - quadratique max{0, f(x) y ε} - ε - insensible yf(x) + log(1 + e f(x) ) - logistique (Y {0,1}) Méthodes pour l analyse des données fonctionnelles p.32/44
33 Risque régularisé R reg [f] = 1 n nx C(x i, y i, f(x i )) + λω[f], i=1 où λ > 0 est un paramètre de régularisation et Ω[f] un terme de stabilisation. (F, ), R reg [f] = 1 n nx i=1 C(x i, y i, f(x i )) + λ f 2 F. {z } pénalité Im(X) H (H = L 2 ([0, T])) F = H K : K : H H R, symétrique et définie positive : H K = ( X n ) a i K(t i, ), t i H, a i R, n 1 i=1 K(x, y) = 8 >< >: x, y d H, d N polynomial (c + x, y H ) d, d N, c > 0 polynomial non-homogène e x y 2 H 2σ 2, σ > 0, gaussien Méthodes pour l analyse des données fonctionnelles p.33/44
34 Régression dans RKHS Théorème [Représentation] Soit {(x i,y i )} n i=1, x i H, y i R, n > 0, n N, λ > 0 et C : H R R R une fonction de perte convexe. Alors, la solution du problème : trouver ˆf H K qui minimise 1 n n i=1 C ( x i,y i, ˆf(x ) i ) + λ ˆf 2 H K existe, est unique et admet la représentation ˆf(x) = n i=1 α i K(x,x i ), x H, où α i R, i = 1,...,n. Méthodes pour l analyse des données fonctionnelles p.34/44
35 Exemple. C (x,y,f(x)) = (y f(x)) 2, {(x i,y i )} n i=1, (λni + [K])α = y, où α = (α 1,...,α n ), y = (y 1,...,y n ), [K] M n (R), [K] i,j = K(x i,x j ), 1 i,j n. Perte logistique, ε - insensitive : méthode du gradient. Méthodes pour l analyse des données fonctionnelles p.35/44
36 Consistance dans RKHS Théorème [Consistance] Soit C la fonction de perte quadratique ou logistique et supposons qu il existe M Y > 0 tel que Y M Y p.s. Supposons aussi qu il existe κ tel que x H, K(x,x) κ. Alors, pour la fonction de perte quadratique on a ( P R emp [ ˆf n ] R[ ˆf ) ] n > β + ε 2exp 2 nε 2 ( ) 2 κ nβ + M Y λ, ( ) 2 8κ 2 MY λ où β =, nλ et pour la perte logistique, ( P R emp [ ˆf n ] R[ ˆf ) n ] > ε + κ2 nλ 2exp ( 2nε2 λ 2 ) 9κ 4. Méthodes pour l analyse des données fonctionnelles p.36/44
37 On a aussi : Corollaire. Avec les conditions du théorème de représentation on a : R emp [f opt ] R emp [ ˆf n ] P 0, R[ ˆf n ] R[f opt ] P 0. Méthodes pour l analyse des données fonctionnelles p.37/44
38 Applications. Données fonctionnelles. Parkinsoniens et l angle de flexion du genou. Courbes de marche Sujets sains (jeune rouge, âgé bleu) Sujets parkinsoniens. Question : Pour les sujets sains, l âge a-t-il un effet sur la marche? Courbes moyennes : Méthodes pour l analyse des données fonctionnelles p.38/44
39 30 sujets jeunes 30 sujets âgés. Echantillon apprentissage : 40. Echantillon test : 20. Nombre échantillons : 100 Modèle PLS_FLDA PCR_FLog(4)) Gaussien (1) λ = 0.12 IP(1,2) λ = 0.18 IP(1,3) λ = 0.22 Aire ROC Moyenne de l aire de la surface sous la courbe ROC. Taux moyen de mal classés pour le meilleur modèle 30% Méthodes pour l analyse des données fonctionnelles p.39/44
40 Les farines de Danone X = {X t } t [0,480] : résistence de la pâte durant 480s de pétrissage Good Bad Adjustable 550 Dough resistance farines ; Time (s) Qualité des biscuits : 50 (bonne), 40 (mauvaise), 25 (ajustable) Méthodes pour l analyse des données fonctionnelles p.40/44
41 Dough resistance Good Bad Adjustable Time (s) Lissage avec des fonction B-splines cubique avec 16 noeuds Méthodes pour l analyse des données fonctionnelles p.41/44
42 Résultats : Y {bonne, mauvaise} 100 échantillons ; (apprentissage : 60 ; test : 30) Modèle PLS_FLDA K-NN(13) PC_FLDA Gaussien(6) LDA Taux de mal classés Moyenne du taux des mal classés sur un ensemble de 100 échantillons test. La fonction discriminante Φ(X) = R X t ˆβP LS (t)dt. Beta PLS discriminant coefficient function 1e 004 0e+000 1e 004 2e 004 3e 004 4e time Méthodes pour l analyse des données fonctionnelles p.42/44
43 Y {bonne, ajustable, mauvaise} 100 échantillons ; (apprentissage : 70 ; test : 35) Modèle PLS_FLDA K-NN(13) PC_FLDA Gaussien(6) LDA Taux de mal classés Moyenne du taux des mal classés sur un ensemble de 100 échantillons test. Méthodes pour l analyse des données fonctionnelles p.43/44
44 Bibliographie Méthodes pour l analyse des données fonctionnelles p.44/44
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 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 détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
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 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 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 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 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 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 détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
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 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 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 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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
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 détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en 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 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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
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 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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en 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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
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 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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
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 détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
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 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 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 détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
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 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 détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
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 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 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 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 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 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 détailChapitre VI Fonctions de plusieurs variables
Chapitre VI Fonctions de plusieurs variables 6. 1 Fonctions différentiables de R 2 dans R. 6. 1. 1 Définition de la différentiabilité Nous introduisons la différentiabilité sous l angle des développements
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 détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détail2 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 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 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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailC1 : Fonctions de plusieurs variables
1er semestre 2012/13 CPUMP 3 U 11 : Abrégé de cours Compléments Analyse 3 : fonctions analytiques Les notes suivantes, disponibles à l adresse http://www.iecn.u-nancy.fr/~bertram/, contiennent les définitions
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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
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 détailLicence de Mathématiques 3
Faculté des sciences et techniques Département de mathématiques 2004-2005 Licence de Mathématiques 3 M62 : Fonctions réelles de plusieurs variables Laurent Guillopé www.math.sciences.univ-nantes.fr/~guillope/m62/
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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
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 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 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 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 détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
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 détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
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 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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
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 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 détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
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 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 détailMAP 553 Apprentissage statistique
MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au
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 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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
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 détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
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 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 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 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 détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
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 détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
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 détail