Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Dimension: px
Commencer à balayer dès la page:

Download "Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles"

Transcription

1 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 Rennes Séminaire Strasbourg

2 Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

3 Introduction Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

4 Introduction Soit (U, X ) où U variable aléatoire réelle et X fonction aléatoire de carré intégrable Soit (U 1, X 1 ),..., (U n, X n ) un échantillon i.i.d. de (U, X )

5 Introduction L hypothèse nulle : H 0 : E (U X ) = 0 almost surely (a.s.) (1) L alternative : P[E (U X ) = 0] < 1. deux cas : U est directement observé U n est pas observé, il est estimé comme résidu du modèle linéaire fonctionel.

6 Introduction Notations S p = {γ R p : γ = 1} L 2 [0, 1] est muni de son produit scalaire usuel,. R = {ρ 1, ρ 2, } base orthonormée de L 2 [0, 1]. X (t) = j=1 x jρ j (t) et X (p) (t) = p j=1 x jρ j (t).

7 lemme fondamental Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

8 lemme fondamental lemme 1 partie A Soit X L 2 [0, 1] et Z R des variables aléatoires. Supposons que E Z < et E(Z) = 0. (A) Il y a équivalence entre : 1 E(Z X ) = 0 a.s. 2 E(Z X, β ) = 0 a.s. β L 2 [0, 1] avec β L 2 = 1. 3 pour tout entier p 1, E(Z X, γ ) = 0 a.s. γ S p. 4 pour tout entier p 1, E(Z X (p) ) = 0 a.s.

9 lemme fondamental lemme 1 partie B (B) On suppose de plus que pour tout s 0, E( Z exp{s X }) <. (2) Si P[E(Z X ) = 0] < 1, alors il existe un entier positif p 0 1 tel que pour tout entier p > p 0, l ensemble {γ S p : E(Z X, γ ) = 0 a.s. } a pour mesure de Lebesgue zéro sur S p et n est pas dense.

10 lemme fondamental Corollaire les assertions suivantes sont équivalentes : 1 L hypothèse nulle (1) est vraie. 2 max E [UE (U X, β ) ω(β, X, β )] = 0. (3) β L 2 [0,1], β L 2=1 3 pour tout p 1 et tout ensemble B p S p dont la mesure de Lebesgue est strictement positif sur S p, max E [UE (U X, γ ) w p (γ, X, γ )] = 0. (4) γ B p

11 Test de non-effet Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

12 Test de non-effet La statistique de test On estime Q(γ) = E{U E[U X, γ ]f γ ( X, γ )} = E{E 2 [U X, γ ]f γ ( X, γ )} par : Q n (γ) = 1 n(n 1) 1 i j n U i U j 1 h K h ( X i X j, γ ), γ S p.

13 Test de non-effet La statistique de test [ ] γ n = arg max nh 1/2 Q n (γ)/ v n (γ) α n I { } γ B p γ γ (p) 0 (5) où v 2 n (γ) est un estimateur de la variance de nh 1/2 Q n (γ)

14 Test de non-effet La statistique de test La statistique de test est : T n = nh 1/2 Q n( γ n ) v n ( γ n ). (6)

15 Test de non-effet Un estimateur de la variance La variance conditionnelle de nh 1/2 Q n (γ) sachant les X i est : τ 2 n (γ) = 2 n(n 1)h j i Un estimateur simple et convenable est donc : τ 2 n (γ) = 2 n(n 1)h σp(x 2 (p) i )σp(x 2 (p) j )Kh 2 ( X i X j, γ ), (7) Ui 2 Uj 2 Kh 2 ( X i X j, γ ). (8) j i

16 Test de non-effet Comportement sous l hypothèse nulle Hypothèses (a) Les vecteurs aléatoires (U 1, X 1 ),..., (U n, X n ) sont des tirages indépendants de (U, X ) R L 2 [0, 1] et satisfait E U m < pour un m > 11. (b) σ 2 et σ 2 tel que 0 < σ 2 Var(U X ) σ 2 < presque sûrement.

17 Test de non-effet Comportement sous l hypothèse nulle Hypothèses suite (c) Les ensembles B p S p, p 1 sont tels que : (i) il existe C 1, δ > 0 tel que p 1 et γ B p, la variable X, γ admets une densité f γ ( ) et C 1 1 {fγ 2 I(f 1) + fγ 2+δ I(f > 1)} C 1 ; R (ii) il existe C 2, ɛ > 0 tel que x ɛ F[f γ] 2 (x)dx C 2, p 1, γ B p ; (iii) la valeur initiale β 0 satisfait la condition : C 3 tel que f γ (p) 0 C 3, p 1. (iv) B p 0 p p B p, 1 p < p.

18 Test de non-effet Comportement sous l hypothèse nulle Hypothèses suite (d) Le noyau K est une densité continue à variation bornée dont la transformée de Fourier est strictement positive sur la droite réelle. (e) h 0 et ( nh 2) α / ln n pour un α (0, 1). (f) p 1 dépends de n et il existe une constante λ > 0 tel que p ln λ n est borné.

19 Test de non-effet Comportement sous l hypothèse nulle Lemme Sous les hypothèses précédentes et si H 0 est vraie, sup Q n (γ) = O P (n 1 h 1/2 p 3/2 ln n). γ B p S p De plus, si τ 2 n (γ) est l estimateur défini par l équation (8), sup {1/ τ n 2 (γ)} = O P (1). γ B p S p

20 Test de non-effet Comportement sous l hypothèse nulle Lemme Sous les hypothèses précédentes et pour α n, n 1 tel que α n /{p 3/2 ln n}, P( γ n = γ (p) 0 ) 1, under H 0.

21 Test de non-effet Comportement sous l hypothèse nulle Théorème Sous les hypothèses précédentes et si H 0 est vraie, la statistique de test T n converge vers une loi normale centrée réduite. Ainsi le test donné par I(T n z 1 a ), avec z a le (1 a) quantile de la distribution de loi normale centrée réduite, a pour niveau asymptotique a.

22 Test de non-effet Comportement sous l alternative Considérons la suite d alternatives suivantes : H 1n : U = U 0 + r n δ(x ), n 1, avec E(U 0 X ) = 0. (9) La preuve de la consistance du test s appuie sur l inégalité suivante : T n = nh1/2 Q n ( γ n ) v n ( γ n ) { } = max nh 1/2 Q n (γ)/ v n (γ) α n I (p) γ B p {γ γ 0 } + α n I { γn γ (p) 0 } max γ B p nh 1/2 Q n (γ) v n (γ (p) 0 ) α n nh1/2 Q n (γ) v n (γ (p) 0 ) α n. (10)

23 Test de non-effet Comportement sous l alternative Théorème On suppose que (a) les hypothèses sont vérifiées en remplaçant U par U 0 ; (b) α n /{p 3/2 ln n} et r n, n 1 est tel que r 2 n nh 1/2 /α n ; (d) E[δ(X )] = 0 et 0 < E[δ 4 (X )] <. Alors le test basé sur T n est consistant contre la suite d alternatives H 1n s il existe p 1 et γ B p tel que P[δ(X ) X, γ ] = 0) < 1 et une des conditions suivantes est satisfaite : 1 la densité f γ est bornée ; 2 la fonction E[δ(X ) X, γ = ]f γ ( ) est bornée ; 3 la transformée de Fourier E[δ(X ) X, γ = ]f γ ( ) est intégrable sur R.

24 Test d adéquation au modèle linéaire fonctionnel Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

25 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel Y = a + b, X + U, où b L 2 [0, 1] et a R sont des paramétres inconnues. K(u, v) = Cov(X (u), X (v)), X n = n 1 n i=1 X i et K(u, v) = n i=1 (X i(u) X n (u))(x i (v) X n (v)). K(u, v) = j=1 θ jφ j (u)φ j (v), K(u, v) = θ j=1 j φj (u) φ j (v),

26 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel (Kf )(u) = K(u, v)f (v)dv. on a Kb = g où g(u) = E[(Y E(Y ))(X (u) E(X (u))]. cela suggére l estimateur de b b(t) m = bj φj (t), t [0, 1], (11) j=1 où b 1 j = θ j ĝ j, ĝ j = ĝ, φ j et ĝ(t) = n 1 n i=1 (Y i Y n )(X i (t) X n (t)).

27 Test d adéquation au modèle linéaire fonctionnel La statistique de test Û i = Y i â b, X i Q n (γ; â, b) = 1 n(n 1) 1 i j n Û i Û j 1 h K h ( X i X j, γ ), γ S p, [ ] γ n = arg max nh 1/2 Q n (γ; â, b)/ v n (γ; â, b) α n I { } γ B p γ γ (p) 0. T n = nh 1/2 Q n( γ n ; â, b). (12) v n ( γ n ; â, b)

28 Test d adéquation au modèle linéaire fonctionnel Comportement sous l hypothèse nulle Lemme Supposons E( U m ) < pour tout m 1, et 1 0 E[X 2 (t)]dt <. Soit b L 2 [0, 1] un estimateur de b tel que b b L 2 = O P (n ρ ) pour un 3/8 < ρ 1/2. De plus, supposons que la fenêtre h est telle que n 1 2ζ h 1/2 0 pour un 3/8 < ζ < ρ. Alors, sous l hypothèse H 0, on obtient sup nh 1/2 Q n (γ; â, b) Q n (γ) = o P (1) γ S p et sup γ S p v n (γ; â, b)/ v n (γ) 1 = o P (1).

29 Test d adéquation au modèle linéaire fonctionnel Comportement sous l hypothèse nulle Théorème Sous certaines conditions, la loi de la statistique de test est asymptotiquement normale.

30 Test d adéquation au modèle linéaire fonctionnel Comportement sous l alternative Considérons la suite d alternatives suivantes : H 1n : Y in = a+ b, X i +r n δ(x i )+U 0 i, n 1, with E(U 0 i X i ) = 0.

31 Test d adéquation au modèle linéaire fonctionnel Comportement sous l alternative Théorème Sous certaines conditions, le test basé sur T n est consistant.

32 Test de non-effet avec U fonctionnel Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

33 Test de non-effet avec U fonctionnel lemme Soit U, X L 2 [0, 1] des fonctions aléatoires. Supposons que E U < et E(U) = 0. (A) Il y a équivalence entre : 1 E(U X ) = 0 a.s. 2 E [ U, E (U X, γ ) ] = 0 a.s. p 1, γ S p.

34 Test de non-effet avec U fonctionnel lemme suite (B) Supposons de plus que pour tout nombre réel positif s, E( U exp{s X }) <. (13) Si P[E(U X ) = 0] < 1, alors il existe un entier positif p 0 1 tel que pour tout entier p > p 0, l ensemble A = {γ S p : E(U X, γ ) = 0 a.s. } a une mesure de Lebesgue zéro sur S p et n est pas dense.

35 Test de non-effet avec U fonctionnel Définissons : Q n (γ) = 1 n(n 1) 1 i j n U i, U j 1 h K h ( X i X j, γ ), γ S p, et [ ] γ n = arg max nh 1/2 Q n (γ)/ v n (γ) α n I { } γ B p γ γ (p) 0, alors la statistique de test s écrit : T n = nh 1/2 Q n( γ n ) v n ( γ n ).

36 Test de non-effet avec U fonctionnel Changement d une hypothèse (exemple) : 1 dans le cas U réel σ 2 et σ 2 tel que 0 < σ 2 Var(U X ) σ 2 < presque sûrement. 2 dans le cas U fonctionnel σ 2 et C tel que : (i) 0 < σ 2 Var( U 1, U 2 X 1, X 2 ) presque sûrement ; (ii) E [ U 2 X ] C.

37 Test de non-effet avec U fonctionnel theorem On obtient sous certaines conditions la normalité de la statistique de test sous H 0. La consistance du test est aussi démontré.

38 Simulations Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

39 Simulations Pour le test de non-effet 1000 réplications de (U 1, X 1 ),, (U n, X n ) de taille n = 100 et n = 200. X i mouvement Brownien standard sur [0, 1]. Distribution de U i : Hypothèse nulle : U 1,, U n i.i.d. N(0, σ 2 ) et indépendant de X 1,, X n où σ = Premiére alternative (effet linéaire) : U i = b, X i + ɛ i où b(t) = (sin(2πt 3 )) 3, et ɛ 1,, ɛ n sont i.i.d. N(0, σ 2 ). Seconde alternative (effet quadratique) : U i = h(s, t)x (s)x (t)dsdt + ɛ i où h(t, s) = 0.6, et ɛ 1,, ɛ n sont i.i.d. N(0, σ 2 ), où σ = 1.

40 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l hypothèse nulle, avec niveau de 5% (meilleure direstion). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)

41 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l hypothèse nulle, niveau 5% (mauvaise direction). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)

42 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative linéaire, niveau 5% (meilleure direction). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)

43 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative linéaire, niveau 5% (mauvaise direction). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)

44 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative quadratique, niveau de 5% (première fonction propre comme direction choisi ). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)

45 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative quadratique, niveau de 5% (seconde fonction propre comme direction choisi). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)

46 Simulations Pour le test d adéquation Y = a + b, X + U. X mouvement brownien. b(t) = 1 t [0, 1] et a = 0 vraies valeurs à être estimer. U = δ(x ) + ɛ où ɛ 1,, ɛ n indépendantes, de loi normale centrée réduite et indépendants des X i et 1 hypothèse nulle : δ(x i ) = 0 2 déviation quadratique : ( 1 δ(x i ) = déviation cubique : ( 1 δ(x i ) = ) X i (s)x i (t)dsdt 1/3 X i (s)x i (t)x i (z)dsdtdz 1 0 ) X i (t)dt

47 Simulations Pour le test d adéquation Table: Pourcentage de rejet sous l hypothèse nulle, niveau de 5%. n = 100 n = 200 p = 3 p = 5 c h = 0.8 c h = 1.0 c h = 1.2 HR c h = 0.8 c h = 1.0 c h = 1.2 m = m = m = m = nc nc nc

48 Simulations Pour le test d adéquation Table: Pourcentage de rejet sous l alternative quadratique, niveau de 5%. n = 100 n = 200 p = 3 p = 5 c h = 0.8 c h = 1.0 c h = 1.2 HR c h = 0.8 c h = 1.0 c h = 1.2 m = m = m = m = nc nc nc

49 Simulations Pour le test d adéquation Table: Pourcentage de rejet sous l alternative cubique, niveau de 5%. n = 100 n = 200 p = 3 p = 5 c h = 0.8 c h = 1.0 c h = 1.2 HR c h = 0.8 c h = 1.0 c h = 1.2 m = m = m = nc nc nc m = nc nc nc

50 Quelques références Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références

51 Quelques références Cardot, H., Ferraty, F., Mas, A., and Sarda, P. (2003). Testing Hypotheses in the Functional Linear Model. Scandinavian Journal of Statistics 30, Delsol, L., Ferraty, F., and Vieu, P. (2011). Structural test in regression on functional variables. Journal of Multivariate Analysis 102, Hall, P., and Horowitz, J.L. (2007). Methodology and convergence rates for functional linear regression. Annals of Statistics 35, Lavergne, P. and Patilea, V. (2008). Breaking the curse of dimensionality in nonparametric testing. Journal of Econometrics 143,

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire 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 détail

Principe de symétrisation pour la construction d un test adaptatif

Principe 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 détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) 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 détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Probabilités III Introduction à l évaluation d options

Probabilités 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 détail

Économetrie non paramétrique I. Estimation d une densité

Économetrie non paramétrique I. Estimation d une densité Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer

Plus en détail

Remise à niveau en processus stochastiques

Remise à niveau en processus stochastiques M2IR Université Claude Bernard Lyon 1 Année universitaire 212-213 Remise à niveau en processus stochastiques F. Bienvenüe-Duheille Le but de ce poly est de vous mettre à niveau sur les processus stochastiques

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

Image d un intervalle par une fonction continue

Image 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 détail

Simulation de variables aléatoires

Simulation 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 détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

Modèles et Méthodes de Réservation

Modèles 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 détail

TESTS 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 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 détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

3 Approximation de solutions d équations

3 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 détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

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 détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Méthodes de Simulation

Méthodes 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

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 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 détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Approche 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 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 détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab

l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab scilab à l École nationale des ponts et chaussées http://cermics.enpc.fr/scilab Tests de comparaison pour l augmentation du volume de précipitation 13 février 2007 (dernière date de mise à jour) Table

Plus en détail

Théorie des sondages : cours 5

Théorie des sondages : cours 5 Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* 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 détail

I. Polynômes de Tchebychev

I. 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 détail

Moments des variables aléatoires réelles

Moments 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 détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle 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 détail

1 La formule de Black et Scholes en t discret

1 La formule de Black et Scholes en t discret Université de Provence Préparation Agrégation Epreuve de Modélisation, Option Proba. Texte : La formule de Black Scholes en Finance Étienne Pardoux 1 La formule de Black et Scholes en t discret On suppose

Plus en détail

Introduction à l approche bootstrap

Introduction 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 détail

Le modèle de Black et Scholes

Le 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 détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Tests 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 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 détail

Econométrie Appliquée Séries Temporelles

Econométrie Appliquée Séries Temporelles Chapitre 1. UFR Economie Appliquée. Cours de C. Hurlin 1 U.F.R. Economie Appliquée Maîtrise d Economie Appliquée Cours de Tronc Commun Econométrie Appliquée Séries Temporelles Christophe HURLIN Chapitre

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions

Formes 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 détail

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques

Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Fiche TD avec le logiciel : a2-1-c Statistique Descriptive et Inférentielle Méthodes paramétriques et non paramétriques Sylvain Mousset Rappels de probabilités / statistiques Table des matières 1 Probabilités

Plus en détail

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7

Licence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7 Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME 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 détail

Lois de probabilité à densité Loi normale

Lois de probabilité à densité Loi normale DERNIÈRE IMPRESSIN LE 31 mars 2015 à 14:11 Lois de probabilité à densité Loi normale Table des matières 1 Lois à densité 2 1.1 Introduction................................ 2 1.2 Densité de probabilité

Plus en détail

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007

Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH Outline 1 Identification 2 Test de bruit blanc faible Test d homoscédaticité

Plus en détail

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,

Contexte. 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 détail

Quantification Scalaire et Prédictive

Quantification 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 détail

NON-LINEARITE ET RESEAUX NEURONAUX

NON-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 détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

Plus en détail

ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE

ÉTUDE 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 détail

Théorie spectrale. Stéphane Maingot & David Manceau

Théorie spectrale. Stéphane Maingot & David Manceau Théorie spectrale Stéphane Maingot & David Manceau 2 Théorie spectrale 3 Table des matières Introduction 5 1 Spectre d un opérateur 7 1.1 Inversibilité d un opérateur........................... 7 1.2 Définitions

Plus en détail

Espérance conditionnelle

Espérance 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 détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction 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 détail

Chapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme

Chapitre 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 détail

Le modèle de régression linéaire

Le 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 détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

2 Opérateurs non bornés dans un espace de Hilbert

2 Opérateurs non bornés dans un espace de Hilbert 2 Opérateurs non bornés dans un espace de Hilbert 2. Opérateurs non bornés: définitions et propriétés élémentaires Soit H un espace de Hilbert et A un opérateur dans H, c est-à-dire, une application linéaire

Plus en détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

Approximations variationelles des EDP Notes du Cours de M2

Approximations variationelles des EDP Notes du Cours de M2 Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 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 détail

n N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t

n 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 détail

Modélisation des lois multidimensionnelles par la théorie des copules

Modélisation des lois multidimensionnelles par la théorie des copules Modélisation des lois multidimensionnelles par la théorie des copules Grégoire Mercier jeudi 9 novembre 26 Contenu 2 Mesure de dépendance Lien avec les copules 3 Estimation de l information mutuelle Estimation

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE

UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration 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 détail

Intégration et probabilités TD1 Espaces mesurés

Intégration 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

La 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 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 détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation 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 détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires CHAPITRE I. SIMULATION DE VARIABLES ALÉATOIRES 25 Chapitre I Simulation de variables aléatoires La simulation informatique de variables aléatoires, aussi complexes soient elles, repose sur la simulation

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures gaussiennes et espaces de Fock Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité 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 détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 1. a. On considère un modèle de marché (B, S) à une étape. On suppose que S = 5 C et qu à la date t = 1 on a (S u 1 = 51, S d 1 = 48).

Plus en détail

TESTS D'HYPOTHESES Etude d'un exemple

TESTS D'HYPOTHESES Etude d'un exemple TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses

Plus en détail

L usage de la calculatrice n est pas autorisé.

L usage de la calculatrice n est pas autorisé. e3a Concours ENSAM - ESTP - EUCLIDE - ARCHIMÈDE Épreuve de Mathématiques A durée 4 heures MP L usage de la calculatrice n est pas autorisé. Si, au cours de l épreuve, un candidat repère ce qui lui semble

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites 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 détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Travaux dirigés d introduction aux Probabilités

Travaux dirigés d introduction aux Probabilités Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien

Plus en détail

Capes 2002 - Première épreuve

Capes 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 détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Théorie de la crédibilité

Théorie de la crédibilité ISFA - Année 2008-2009 Théorie de la crédibilité Chapitre 2 : Prime de Bayes Pierre-E. Thérond Email, Page web, Ressources actuarielles Langage bayesien (1/2) Considérons une hypothèse H et un événement

Plus en détail

Master de mathématiques Analyse numérique matricielle

Master de mathématiques Analyse numérique matricielle Master de mathématiques Analyse numérique matricielle 2009 2010 CHAPITRE 1 Méthodes itératives de résolution de systèmes linéaires On veut résoudre un système linéaire Ax = b, où A est une matrice inversible

Plus en détail

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader

Terminale STMG Lycée Jean Vilar 2013/2014. Terminale STMG. O. Lader Terminale STMG O. Lader Table des matières 1 Information chiffrée (4s) 4 1.1 Taux d évolution....................................... 6 1.2 indices............................................. 6 1.3 Racine

Plus en détail

Événements et probabilités, probabilité conditionnelle et indépendance

Événements et probabilités, probabilité conditionnelle et indépendance Chapitre 1 Événements et probabilités, probabilité conditionnelle et indépendance On cherche ici à proposer un cadre mathématique dans lequel on puisse parler sans ambiguité de la probabilité qu un événement

Plus en détail

3. Caractéristiques et fonctions d une v.a.

3. 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 détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

I. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.

I. 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 détail

1 Introduction, but du cours, rappels

1 Introduction, but du cours, rappels DEA 2-21 Calcul stochastique II, applications aux finances Université Paul Sabatier 1 Introduction, but du cours, rappels Les applications en finance sont dans ce cours, une valorisation et une justification

Plus en détail

Introduction à la Statistique Inférentielle

Introduction 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 détail

Démonstrations exigibles au bac

Démonstrations exigibles au bac Démonstrations exigibles au bac On donne ici les 11 démonstrations de cours répertoriées comme exigibles dans le programme officiel. Toutes ces démonstrations peuvent donner lieu à une «restitution organisée

Plus en détail

Calcul différentiel sur R n Première partie

Calcul 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 détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE 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 détail