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

Estimation consistante des paramètres d un. modèle non linéaire pour des données. fonctionnelles discrétisées aléatoirement

Estimation consistante des paramètres d un. modèle non linéaire pour des données. fonctionnelles discrétisées aléatoirement Estimation consistante des paramètres d un modèle non linéaire pour des données fonctionnelles discrétisées aléatoirement Consistent estimation of parameters in a nonlinear model for functional data with

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

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

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

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

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

Examen d accès - 28 Septembre 2012

Examen d accès - 28 Septembre 2012 Examen d accès - 28 Septembre 2012 Aucun document autorisé - Calculatrice fournie par le centre d examen Cet examen est un questionnaire à choix multiples constitué de 50 questions. Plusieurs réponses

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

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

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Méthodes pour l analyse des données fonctionnelles p.1/44

Méthodes pour l analyse des données fonctionnelles p.1/44 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 Google

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

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

Prix d options européennes

Prix d options européennes Page n 1. Prix d options européennes Une société française tient sa comptabilité en euros et signe un contrat avec une entreprise américaine qu elle devra payer en dollars à la livraison. Entre aujourd

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

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

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Modèles de régression avec données fonctionnelles dans des espaces de Hilbert à noyau reproduisant

Modèles de régression avec données fonctionnelles dans des espaces de Hilbert à noyau reproduisant Modèles de régression avec données fonctionnelles dans des espaces de Hilbert à noyau reproduisant Cristian Preda Laboratoire de Mathématiques Paul Painlevé, Université des Sciences et Technologies de

Plus en détail

Initiation à la Statistique IS-Math314

Initiation à la Statistique IS-Math314 Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Initiation à la Statistique IS-Math314 Chapitres 1 4 Charles SUQUET

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

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

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

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

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

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

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

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

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

Une caractérisation des lois de Wishart en dimension finie ou infinie

Une caractérisation des lois de Wishart en dimension finie ou infinie Une caractérisation des lois de Wishart en dimension finie ou infinie Gabriel Fraisse et Sylvie Viguier-Pla Université de Perpignan, IUT, Domaine d Auriac, Carcassonne Laboratoire de Statistique et Probabilités,

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

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

Contrôle du False Discovery Rate en tests multiples: conditions suffisantes et adaptivité.

Contrôle du False Discovery Rate en tests multiples: conditions suffisantes et adaptivité. Contrôle du False Discovery Rate en tests multiples: conditions suffisantes et adaptivité. G. Blanchard 1 1 Weierstrass Institut Berlin, Germany Journées Statistiques du Sud, Porquerolles 18/06/09 G. Blanchard

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

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

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

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

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

COUPLES DE VARIABLES ALÉATOIRES

COUPLES DE VARIABLES ALÉATOIRES CHAPITRE 13 COUPLES DE VARIABLES ALÉATOIRES Dans tout le chapitre, (Ω, P) désignera un espace probabilisé fini. 1 Couple de variables aléatoires Définition 13.1 On appelle couple de variables aléatoires

Plus en détail

Mathématiques pour l informatique. - Soutien - 1 Nombres complexes. 2 Suites. Exercice 1. (Nombres complexes) Soit le nombre complexe z = (2 + 2i) 7.

Mathématiques pour l informatique. - Soutien - 1 Nombres complexes. 2 Suites. Exercice 1. (Nombres complexes) Soit le nombre complexe z = (2 + 2i) 7. Mathématiques pour l informatique IMAC première année - Soutien - Nombres complexes Rappels. Un nombre complexe z admet plusieurs représentations : représentation vectorielle z = (a, b) où a, b R représentation

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2

ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 ADMISSION AU COLLEGE UNIVERSITAIRE Samedi 1 mars 2014 MATHEMATIQUES durée de l épreuve : 3h coefficient 2 Le sujet est numéroté de 1 à 5. L annexe 1 est à rendre avec la copie. L exercice Vrai-Faux est

Plus en détail

Cours de terminale S Suites numériques

Cours de terminale S Suites numériques Cours de terminale S Suites numériques V. B. et S. B. Lycée des EK 13 septembre 2014 Introduction Principe de récurrence Exemple En Mathématiques, un certain nombre de propriétés dépendent d un entier

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens.

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. . Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. Benoîte de Saporta Université de Nantes Université de Nantes - 9 juin 2005 p. 1/37 Plan de l exposé 1.

Plus en détail

Calcul Stochastique et Applications Financières

Calcul Stochastique et Applications Financières 0 Calcul Stochastique et Applications Financières Aurélia Istratii Luis Macavilca Taylan Kunal M I.E.F. SOMMAIRE I. MODELE DE COX-ROSS-RUBINSTEIN II. III. INTRODUCTION AUX METHODES DE MONTE CARLO EQUATION

Plus en détail

3.8 Introduction aux files d attente

3.8 Introduction aux files d attente 3.8 Introduction aux files d attente 70 3.8 Introduction aux files d attente On va étudier un modèle très général de problème de gestion : stocks, temps de service, travail partagé...pour cela on considère

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

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

Programmes des classes préparatoires aux Grandes Ecoles

Programmes des classes préparatoires aux Grandes Ecoles Programmes des classes préparatoires aux Grandes Ecoles Filière : économique et commerciale Option : Scientifique (ECS) Discipline : Mathématiques- Informatique Seconde année Ministère de l enseignement

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

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

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

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

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

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

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

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

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

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

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

Cours IFT6266: Algorithmes d apprentissage. Yoshua Bengio. Concepts mathématiques préliminaires

Cours IFT6266: Algorithmes d apprentissage. Yoshua Bengio. Concepts mathématiques préliminaires Cours IFT6266: Algorithmes d apprentissage Yoshua Bengio Concepts mathématiques préliminaires La plupart de ces concepts sont vus dans d autres cours et forment une bonne base pour la matière étudiée dans

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

Statistiques fonctionnelles pour l imagerie hyperspectrale

Statistiques fonctionnelles pour l imagerie hyperspectrale Statistiques fonctionnelles pour l imagerie hyperspectrale Laurent Delsol Cécile Louchet MAPMO 17e journée CASCIMODOT 6 décembre 2012 Plan Introduction Modélisation des spectres via les statistiques fonctionnelles

Plus en détail

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option (Public2014-B1) Résumé : On présente un exemple de système de deux espèces en compétition dans un environnement périodique.

Plus en détail

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6

Probabilités et Statistiques. Raphaël KRIKORIAN Université Paris 6 Probabilités et Statistiques Raphaël KRIKORIAN Université Paris 6 Année 2005-2006 2 Table des matières 1 Rappels de théorie des ensembles 5 1.1 Opérations sur les ensembles................... 5 1.2 Applications

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

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

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

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

Détection de ruptures offline et online pour des processus causaux

Détection de ruptures offline et online pour des processus causaux Détection de ruptures offline et online pour des processus causaux Travaux avec W. Kengne (Paris 1, Yaoundé) et O. Wintenberger (Paris IX) Jean-Marc Bardet bardet@univ-paris1.fr Trimestre du Laboratoire

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

Estimation améliorée explicite d un degré de confiance conditionnel

Estimation améliorée explicite d un degré de confiance conditionnel Estimation améliorée explicite d un degré de confiance conditionnel Dominique Fourdrinier & Patrice Lepelletier UMR CNRS 6085, Université de Rouen, Site Colbert, 76 821 Mont-Saint-Aignan cedex, France

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

Suites réelles. 4 Relations de comparaison des suites 9 4.1 Encore du vocabulaire... 9. 5.2 Quelques propriétés... 13

Suites réelles. 4 Relations de comparaison des suites 9 4.1 Encore du vocabulaire... 9. 5.2 Quelques propriétés... 13 Maths PCSI Cours Table des matières Suites réelles 1 Généralités 2 2 Limite d une suite 2 2.1 Convergence d une suite....................... 2 2.2 Deux premiers résultats....................... 3 2.3 Opérations

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

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

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

A. Popier (Le Mans) Copules. Septembre 2010 1 / 72

A. Popier (Le Mans) Copules. Septembre 2010 1 / 72 COPULES. Alexandre Popier Université du Maine, Le Mans Septembre 2010 A. Popier (Le Mans) Copules. Septembre 2010 1 / 72 PLAN DU COURS 1 RAPPELS SUR LES VECTEURS ALÉATOIRES 2 RAPPELS SUR LA MÉTHODE DE

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

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

COURS METHODES MATHEMATIQUES POUR L INGENIEUR 2. Cours de filière MAM, ISTIL deuxième année. Ionel Sorin CIUPERCA

COURS METHODES MATHEMATIQUES POUR L INGENIEUR 2. Cours de filière MAM, ISTIL deuxième année. Ionel Sorin CIUPERCA COURS METHODES MATHEMATIQUES POUR L INGENIEUR 2 Cours de filière MAM, ISTIL deuxième année Ionel Sorin CIUPERCA Le but de ce cours est d introduire un outil très utilisé dans la modélisation mathématique

Plus en détail

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

Analyse de données fonctionnelles avec le paquet fda

Analyse de données fonctionnelles avec le paquet fda Analyse de données fonctionnelles avec le paquet fda Christophe Pouzat Jeudi 29 mars 2012 Outline Introduction Des données brutes aux fonctions Analyse de l échantillon de fonctions Sommaire Introduction

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

Machines à sous (compléments)

Machines à sous (compléments) CHAPITRE 28 Machines à sous (compléments) Résumé. Ce qui suit complète le chapitre 22. On explique ici brièvement comment rre non-asymptotiques les résultats de convergence qui reposaient sur la loi des

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein

Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein Obtention de la formule de Black-Scholes par passage à la limite dans le modèle de Cox-Ross-Rubinstein Introduction Christophe Chorro, Alexandre Marino Ce document constitue, dans sa forme actuelle, un

Plus en détail

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres

Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres Chapitre 3: Variables aléatoires discrètes Espérance-Variance Loi des grands nombres 1 Introduction Le nombre de piles obtenus au cours d une série de n lancers de pile ou face ou plus généralement dans

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

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

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

Régression ridge à noyau pour des variables explicatives et d intérêts fonctionnelles

Régression ridge à noyau pour des variables explicatives et d intérêts fonctionnelles Régression ridge à noyau pour des variables explicatives et d intérêts fonctionnelles Hachem Kadri 1, Philippe Preux 1,2 & Emmanuel Duflos 1,3 1 Equipe-projet SequeL, INRIA Lille - Nord Europe, Villeneuve

Plus en détail

Probabilités Loi exponentielle Exercices corrigés

Probabilités Loi exponentielle Exercices corrigés Probabilités Loi exponentielle Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : densité de probabilité Exercice 2 : loi exponentielle de paramètre

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail