Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA

Dimension: px
Commencer à balayer dès la page:

Download "Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA"

Transcription

1 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 Montpellier II par Pierre Lafaye de Micheaux 16 décembre 2002 < R > 1/35

2 PLAN DE LA PRÉSENTATION Goodness-of-fit tests of normality for the innovations in ARMA models Objectifs Notion de test lisse de Neyman d ordre K Conditions sur le processus ARMA(p,q) La stratégie du test lisse appliquée au modèle ARMA Choix de l ordre K du test lisse A multivariate empirical characteristic function test of independence with normal marginals Objectifs et notations Tester l indépendance : cas non sériel Tester l indépendance : cas sériel Propriétés du processus limite Perspectives de recherche < R > 2/35

3 1. Goodness-of-fit tests of normality for the innovations in ARMA models 1.1. Objectifs Problème : On cherche à construire un test d ajustement de la normalité des innovations d un modèle ARMA(p, q) de moyenne connue. < R > 3/35

4 Le modèle ARMA(p,q) Processus stationnaire (Y t ; t Z) p q Y t ϕ i Y t i = θ i ɛ t i + ɛ t, t Z i=1 i=1 où les ϕ i et les θ i sont des réels et où (ɛ t ; t Z) est un bruit blanc de variance σ 2. Intéressant de tester la normalité de ce modèle? Intervalles de confiance pour une valeur prédite Y T +h. Efficacité des estimateurs des paramètres. Test de la validité du modèle (Pierce (1985), Brockett et al. (1988)). < R > 4/35

5 Autres tests existants? Tests basés sur la propriété : Y t Normale ɛ t Normale. perte de puissance. Utilisation de tests standards développés pour des observations i.i.d dans lesquels on injecte les résidus ɛ t. Ex : (Brockwell & Davis, 1991, p.314) suggèrent d appliquer le test de Shapiro-Francia aux résidus du modèle. Prendre des précautions. Simulations par Gasser (1975) qui montrent que le niveau et la puissance des tests du χ 2, d applatissement et d asymétrie peuvent être sérieusement affectés lorsqu ils sont utilisés dans le cadre des modèles ARMA. < R > 5/35

6 Notre approche : Test d ajustement de la normalité des innovations d un modèle ARMA(p, q) de moyenne connue, basé sur l approche des tests lisses de Neyman. < R > 6/35

7 1.2. Notion de test lisse de Neyman d ordre K Échantillon X 1,..., Xn de f.r. F : on veut tester H 0 : F = F 0 Transformation des données : U i = 2F 0 (X i ) 1 de densité g. On est ramené à tester H 0 : g = g 0 = Unif[ 1, 1] Emboîtement de la densité g 0 par la forme supposée de la densité g K g g K (y, η) = C(η) exp η i π i (y) 1l[ 1, 1] i=1 On est ramené à tester H 0 : η = 0 vs H 1 : η 0. < R > 7/35

8 Application du test du score de Rao : Rn = na T n,η 0 I 1 η 0 an,η 0 L χ 2 K sous H 0 où anη = 1 n Log(g K (U i, η)),..., 1 n Log(g K (U i, η)) n η i=1 1 n η i=1 K est le vecteur du score et où la matrice Iη 0 définie par n Iη 0 (i, j) = Eη=η 2 0 Log(g η l=1 i η K (U l, η)) j est l information de Fisher évaluée en η 0. Ici bien sûr, η 0 = 0. < R > 8/35 T

9 1.3. Conditions sur le processus ARMA(p,q) Causalité Inversibilité Les polynômes 1 ϕ 1 z... ϕpz p et 1 + θ 1 z θqz q n ont pas de racines communes. Sous ces conditions, on a les deux écritures : et Y t = ψ j ɛ t j j=0 ɛ t = δ j Y t j. j=0 < R > 9/35

10 1.4. La stratégie du test lisse appliquée au modèle ARMA On dispose d un échantillon {Y 1,..., Y T } que l on ajuste par Maximum de vraisemblance à un ARMA(p,q) de bruit blanc (ɛ t, t Z). Soit Φ la f.r. d une N(0,1). Nous définissons ) ( ɛt Û t = 2Φ 1 t = 1,..., T σ avec ɛ t = δ j Y t j j=0 et où δ j est fonction des EVM ϕ et θ. < R > 10/35

11 Le vecteur du score pour la famille d emboîtement K g K (y, ω) = C(ω) exp ω k L k (y) 1l[ 1, 1] k=1 s écrit alors L = 1 T où T L t t=1 L t = (L 1 (Ût ),..., L K (Ût ))T. < R > 11/35

12 Nous avons alors pu démontrer le théorème suivant. Théorème R K = T L T ( I K 1 2 b K bt K ) 1 L L χ 2 K où b K = (b 1,..., b k ) T avec b k = R L k (2Φ(x) 1)x2 φ(x)dx. < R > 12/35

13 En utilisant la décomposition de Choleski, nous avons montré ( I K 1 2 b K bt K) 1 = P P T avec P = (p ij ). En posant L k (Ût ) = k l=1 p lk L l (Ût ), nous avons pu écrire R K = K 1 T 2 L T k (Ût). k=1 t=1

14 En utilisant la décomposition de Choleski, nous avons montré ( I K 1 2 b K bt K) 1 = P P T avec P = (p ij ). En posant L k (Ût ) = k l=1 p lk L l (Ût ), nous avons pu écrire R K = K 1 T 2 L T k (Ût). k=1 t=1 } {{ } L χ 2 1 < R > 13/35

15 1.5. Choix de l ordre K du test lisse Posons K = min [ Argmax{Rs slog(t)} d s D ] d = 2 et D = 10 Nous avons démontré le Théorème Sous H 0, K P d et R K(d) L χ 2 d. Simulations g K(, ω) < R > 14/35

16 2. A multivariate empirical characteristic function test of independence with normal marginals 2.1. Objectifs et notations Objectif 1 : Soit ɛ = (ɛ (1),..., ɛ (p) ) T R pq. On veut construire un test d indépendance des composantes ɛ (j), j = 1,..., p. Conditions : On suppose que ces composantes sont de loi normale Nq(µ, Σ). < R > 15/35

17 Objectif 2 : Soit u 1, u 2,... une suite stationnaire de vecteurs aléatoires de loi Nq(µ, Σ). On veut construire un test d indépendance de ces u i. < R > 16/35

18 Les marginales ɛ (1),..., ɛ (p) sont indépendantes si et seulement si µ A 0, pour tout A {1,..., p}, A > 1. µ A (t) = ( 1) A\B Cp(t B ) C (j) (t (j) ), B A j A\B (t B ) (i) { = t (i), i B; 0, i Ip\B. < R > 17/35

19 Cas p = 3. µ {1,2} (t) = Cp(t {1,2} ) C (1) (t (1) )C (2) (t (2) ). On voit que µ {i,j} = 0 ɛ (i) ɛ (j), i, j = 1, 2, 3; i < j. µ {1,2,3} (t) = Cp(t {1,2,3} 3 ) + 3 C (j) (t (j) ) j=1 Cp(t {1,2} )C (3) (t (3) ) Cp(t {1,3} )C (2) (t (2) ) Cp(t {2,3} )C (1) (t (1) 3 ) C (j) (t (j) ). j=1 On voit que µ {1,2,3} = 0 {ɛ (1), ɛ (2), ɛ (3) } indépendants. < R > 18/35

20 2.2. Tester l indépendance : cas non sériel On pose e (k) = S 1 2(ɛ (k) ɛ), où ɛ = j j np 1 nj=1 p k=1 ɛ(k) j et S = np 1 nj=1 p k=1 (ɛ(k) ɛ)(ɛ (k) ɛ) j j T. Le processus que l on considère, pour un sous-ensemble A de {1,..., p}, est R n,a (t) = n ( 1) A\B φn,p(t B ) φ(t (i) ) B A i A\B où φn,p(t) = 1 n n exp(i t, e j ) j=1 et où φ est la fonction caractéristique d une Nq(0, Iq). < R > 19/35

21 En utilisant la formule multinomiale, on peut écrire R n,a (t) = 1 n n j=1 [exp(i t (k), e (k) ) φ(t (k) )]. j k A < R > 20/35

22 Nous avons alors démontré le Théorème Si ɛ (1) 1,..., ɛ(p) 1 sont indépendants, les processus { R n,a : A > 1} convergent dans C(R pq, C) vers des processus complexes Gaussiens indépendants de moyenne 0 {R A : A > 1} ayant pour fonction d autocovariance C A définie par C A (s, t) = [ φ(t (k) s (k) ) φ(t (k) )φ(s (k) ] ) k A et pour fonction de pseudo-autocovariance C A (s, t) = E[R A (s)r A (t)] = C A ( s, t). < R > 21/35

23 La statistique de test de Cramér-von Mises que nous proposons, pour un ensemble A donné, est T n,b,a = 1 n R pq R n,a (t) 2 ϕ b (t)dt où ϕ b est la densité d une Npq(0, b 2 I). < R > 22/35

24 Nous avons alors pu écrire cette statistique sous la forme { [ 1 n n n 2 exp b2 ] l=1 l 2 e(k) e (k) l l 2 =1 k A [ (b 2 + 1) q 2 exp 1 b 2 ] 2 b e(k) 2 l [ (b 2 + 1) q 2 exp 1 b 2 ] } 2 b e(k) l 2 + (2b 2 + 1) q 2 Invariance par les transformations affines (distance de Mahalanobis). < R > 23/35

25 La fonctionnelle de Cramér-von Mises n est pas continue ; on ne peut donc pas utiliser le Théorème principal de Billingsley (1968). Nous avons donc démontré le théorème suivant. Théorème (Généralisation de Kellermeier (1980)) Soient y n et y des éléments aléatoires de C(R pq, C) 2 tels que D y n y sur toutes les boules compactes. Soit f : C 2 R une fonction continue et soit G une mesure de probabilité sur R pq. On définit wn = f(y n (t))dg(t) et w = f(y(t))dg(t). Supposons que wn et w sont bien définies avec probabilité 1. De plus, supposons qu il existe α 1 tel que pour tout ɛ > 0, lim lim sup j n R pq \R pq j E f(y n (t)) α dg(t) = 0. Alors wn D w quand n. < R > 24/35

26 En utilisant le théorème précédent, nous avons montré le Théorème ( R n,a (t) 2, R n,b (t) 2) ϕ b (t)dt D ( R A (t) 2, R B (t) 2) ϕ b (t)dt. On peut alors considérer tous les ensembles A simultanément en utilisant les statistiques de test Sn = n T n,b,a A >1 ou Mn = n max A >1 T n,b,a. < R > 25/35

27 2.3. Tester l indépendance : cas sériel On veut tester l indépendance des u i qui sont supposés de loi Nq(µ, Σ). On définit ɛ i = (u i,..., u i+p 1 ) R pq et e i = (û i,..., û i+p 1 ) R pq, i = 1,..., n p + 1. On définit aussi û i = S 1 2(u i u), S = n 1 nj=1 (u j u)(u j u) T et u = 1 n nj=1 u j. Encore une fois, le processus que nous utilisons est R n,a (t) = n ( 1) A\B φn,p(t B ) φ(t (i) ), B A i A\B où φn,p(t) = 1 n n p+1 j=1 exp(i t, e j ). < R > 26/35

28 Théorème Si les u i sont indépendants, les processus { R n,a : A > 1} convergent dans C(R pq, C) vers des processus complexes Gaussiens indépendants de moyenne 0 {R A : A > 1} ayant pour fonction d auto et de pseudo-covariance C A et C A comme précédemment. Les mêmes statistiques de test que dans le cas non sériel sont alors utilisable et on obtient les mêmes résultats. Test universel pour détecter toute forme de dépendance. Test convergent. < R > 27/35

29 2.4. Propriétés du processus limite Notons k = A. R pq R A (t) 2 ϕ b (t)dt T b,a = (i 1,...,i k ) N k λ (i1,...,i k ) Z 2 (i 1,...,i k ) où les Z (i1,...,i k ) i.i.d. sont des variables aléatoires réelles N(0, 1) < R > 28/35

30 On a λ (i1,...,i k ) = k l=1 λ il où les λ j sont les valeurs propres de l opérateur intégral O défini par O(f)(s) = R q f(t)k(s, t)ϕ b (t)dt avec K(s, t) = exp( 1 2 s t 2 ) exp( 1 2 ( s 2 + t 2 )). Le problème est donc de résoudre, en λ (et f), l équation linéaire intégrale de Fredholm homogène d ordre 2 λf(s) = R q f(t)k(s, t)ϕ b (t)dt. Noyau possédant de bonnes propriétés. < R > 29/35

31 Calcul explicite des valeurs propres impossible. Calcul approché possible en discrétisant le problème. q R q f(ν)(2π) 2e ν 2 N 2 dν = B j f(ν j ) j=1 où les paramètres B j et ν j = (ν j,1,..., ν j,q ), j = 1,..., N peuvent être respectivement les coefficients et les points d une formule de cubature, ou alors peuvent être obtenus par une simulation de Monte-Carlo auquel cas B j = N 1 et ν j N(0, I), j = 1,..., N. Connaissant les valeurs propres on peut utiliser l algorithme de Davies (1973, 1980), consistant en une inversion de la fonction caractéristique, pour obtenir les valeurs critiques du test. < R > 30/35

32 Une autre possibilité pour obtenir les valeurs critiques du test est de calculer tous les cumulants de T b,a et ensuite d appliquer la méthode de Cornish-Fisher. Nous avons pu obtenir les cumulants de façon explicite grâce à une formule de récurrence. Vérification de la méthode utilisant les valeurs propres. < R > 31/35

33 3. Perspectives de recherche Extension des résultats du test lisse pour le modèle ARMA au cas d autres modèles comme les ARIMA, SARIMA, etc... Généralisation du test basé sur la fonction caractéristique à des marginales de loi non fixée. < R > 32/35

34 Table des matières 1 Goodness-of-fit tests of normality for the innovations in ARMA models Objectifs Notion de test lisse de Neyman d ordre K Conditions sur le processus ARMA(p,q) La stratégie du test lisse appliquée au modèle ARMA Choix de l ordre K du test lisse A multivariate empirical characteristic function test of independence with normal marginals Objectifs et notations Tester l indépendance : cas non sériel Tester l indépendance : cas sériel Propriétés du processus limite Perspectives de recherche 32 < R > 33/35

35 Références BILLINGSLEY, P. (1968). Convergence of probability measures. New York : John Wiley & Sons Inc. BROCKETT, P. L., HINICH, M. J. & PATTERSON, D. (1988). Bispectral-based tests for the detection of gaussianity and linearity in time series. Journal of the American Statistical Association 83, BROCKWELL, P. J. & DAVIS, R. A. (1991). Time series : Theory and Methods. Springer-Verlag New York, 2nd ed. DAVIES, R. B. (1973). Numerical inversion of a characteristic function. Biometrika 60, DAVIES, R. B. (1980). [Algorithm AS 155] The distribution of a linear combination of χ 2 random variables (AS R53 : 84V33 p ). Applied Statistics 29, GASSER, T. (1975). Goodness-of-fit tests for correlated data. Biometrika 62, < R > 34/35

36 KELLERMEIER, J. (1980). The empirical characteristic function and large sample hypothesis testing. J. Multivariate Anal. 10, PIERCE, D. (1985). Testing normality in autoregressive models. Biometrika 72, < R > 35/35

37 Formule multinomiale Soit A = {k 1,..., k A } un ensemble fini ( A désigne le cardinal de A) et u, v R A. On adopte la notation u = (u 1,..., u A ) T N = (u (k 1 ) (k,..., u A ) ) T. Alors u (i) v (j) = (u (i) + v (i)) B A i B j A\B i A < R > 36/35

38 Pour aller à la page k : CTRL+N puis k puis Enter. Pour aller à la page suivante : Page Down (ou cliquer sur > en bas de page). Pour revenir à la page précédente : Page Up (ou cliquer sur < en bas de page). On peut cliquer sur le texte écrit en rouge sur certaines pages pour accéder à la cible qu il désigne. Ensuite cliquer sur R (ou taper CTRL+<-) en bas de page pour revenir à la page d où l on vient. Pour fermer le document, taper sur la touche Esc (ou Echap). Pour mettre en plein écran, taper CTRL+L. < R > 37/35

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

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

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

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

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

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en 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

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

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy

Plus en 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

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48 Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation

Plus en 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

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

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38

2 TABLE DES MATIÈRES. I.8.2 Exemple... 38 Table des matières I Séries chronologiques 3 I.1 Introduction................................... 3 I.1.1 Motivations et objectifs......................... 3 I.1.2 Exemples de séries temporelles.....................

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP PSI - 2010 Mathématiques 1 : un corrigé CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P

Plus en 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

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

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

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

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

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

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en 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

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

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

Équation de Langevin avec petites perturbations browniennes ou

Équation de Langevin avec petites perturbations browniennes ou Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,

Plus en 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

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

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

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en 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

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

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

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

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

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

Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor

Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )

Plus en 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

Séries chronologiques

Séries chronologiques Université Paris-Sud Master Ingénierie Mathématiques, deuxième année Année scolaire 2010 2011 Séries chronologiques Volume 1: cours et exercices Responsable des cours: Michel Prenat Responsables des travaux

Plus en détail

La fonction exponentielle

La fonction exponentielle DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction

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

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

1 Définition de la non stationnarité

1 Définition de la non stationnarité Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles

Plus en 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

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en 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

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE DES MATIERES. C Exercices complémentaires 42 TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence

Plus en 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

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

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

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

www.h-k.fr/publications/objectif-agregation

www.h-k.fr/publications/objectif-agregation «Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se

Plus en détail

Probabilités sur un univers fini

Probabilités sur un univers fini [http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur

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

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

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

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

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique?

Objectifs. Calcul scientifique. Champ d applications. Pourquoi la simulation numérique? Objectifs Calcul scientifique Alexandre Ern ern@cermics.enpc.fr (CERMICS, Ecole des Ponts ParisTech) Le Calcul scientifique permet par la simulation numérique de prédire, optimiser, contrôler... le comportement

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

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

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels.

Exo7. Sujets de l année 2008-2009. 1 Partiel. Enoncés et corrections : Sandra Delaunay. Exercice 1 Soit A une matrice 2 2 à coefficients réels. Enoncés et corrections : Sandra Delaunay Exo7 Sujets de l année 28-29 1 Partiel Exercice 1 Soit A une matrice 2 2 à coefficients réels. On suppose a + c = b + d = 1 et a b 1. ( ) a b c d 1. Soient (x 1,x

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

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

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)

(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01) (19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

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

Annexe Simulations de Monte Carlo

Annexe Simulations de Monte Carlo Annexe Simulations de Monte Carlo Cette annexe présente, de façon pratique, les principales techniques opératoires des simulations de Monte Carlo. Le lecteur souhaitant une présentation plus rigoureuse

Plus en détail

Fibonacci et les paquerettes

Fibonacci et les paquerettes Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au

Plus en détail

Chaînes de Markov. Mireille de Granrut

Chaînes de Markov. Mireille de Granrut Chaînes de Markov Mireille de Granrut Quelques précisions à propos de ce cours : Préambule 1. Tel que je l ai conçu, le cours sur les chaînes de Markov interviendra dès la rentrée, pour faire un peu de

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

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits.

Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits. Les calculatrices, téléphones, tablettes, ordinateurs et autres appareils électroniques similaires, ainsi que les documents sont interdits 1 La qualité de la rédaction est un facteur important dans l appréciation

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

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

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES

Plus en détail

Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes

Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes Jean-Marie Dufour Université de Montréal Abdeljelil Farhat Université de Montréal First version: August 2001 This

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Martingales dans l étude de quelques arbres aléatoires

Martingales dans l étude de quelques arbres aléatoires Martingales dans l étude de quelques arbres aléatoires Brigitte CHAUVIN Brigitte.Chauvin@math.uvsq.fr Monastir, 18-20 Octobre 2010 Contents 1 Introduction 1 2 Arbres binaires de recherche 2 2.1 Définitions.....................................

Plus en détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.

CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES. CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires

Plus en détail

choisir H 1 quand H 0 est vraie - fausse alarme

choisir H 1 quand H 0 est vraie - fausse alarme étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts

Plus en détail

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34 Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second

Plus en détail

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2. Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3

Plus en détail

Probabilités Loi binomiale Exercices corrigés

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

Plus en détail

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision

Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en 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

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en 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

Intégration sur des espaces produits

Intégration sur des espaces produits Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure

Plus en détail

Carl-Louis-Ferdinand von Lindemann (1852-1939)

Carl-Louis-Ferdinand von Lindemann (1852-1939) Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis

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

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail