TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION"

Transcription

1 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 avec Yacouba Boubacar Maïnassara Conférence Séries Temporelles, Économétrie et Finance Besançon 6 et 7 mai 2014

2 PLAN MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

3 MODÈLES ARMA FAIBLES ET MOTIVATIONS CADRE D ÉTUDE PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

4 MODÈLES ARMA FAIBLES ET MOTIVATIONS CADRE D ÉTUDE REPRÉSENTATION ARMA(p, q) FAIBLE Un processus stationnaire au second ordre, tel que pour t Z p q X t a 0i X t i = ɛ t b 0i ɛ t j. i=1 j=1 Les paramètres a 0i, i {1,..., p} et b 0j, j {1,..., q} sont des réels, p et q sont des entiers appelés ordres. Le terme d erreur ɛ t est un bruit blanc faible i.e : une suite de v.a. centrées (Eɛ t = 0), non corrélées (Cov (ɛ t, ɛ t+h ) = 0 h, t Z, h 0), de même variance σ 2 0. MODÈLES ARMA FAIBLES ET FORTS Si on suppose le processus ɛ = (ɛ t ) est un bruit blanc fort, à savoir une suite de variables iid, alors on dit que X = (X t ) est un modèle ARMA(p, q) fort. Si on suppose simplement que ɛ est non corrélé, on dit que X admet une représentation ARMA(p, q) faible. On a la relation suivante {ARMA forts} {ARMA faibles}.

5 MODÈLES ARMA FAIBLES ET MOTIVATIONS CADRE D ÉTUDE INVERSIBILITÉ DE LA REPRÉSENTATION p q X t a i X t i = ɛ t b i ɛ t j. i=1 j=1 On note θ = (a 1,..., a p, b 1,..., b q) le paramètre du modèle. Forme compacte : a(l)x t = b(l)ɛ t où L est l opérateur retard défini pour t, k Z) par LX t = X t 1 et L k X t = X t k. Définissons a(z) = 1 p i=1 a i z i et b(z) = 1 q j=1 b j z j. HYPOTHÈSE (A1) : a(z)b(z) = 0 implique que z > 1. CONSÉQUENCE ɛ t (θ) = b 1 (L)a(L)X t = X t + c i (θ)x t i i=1

6 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

7 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES MÉTHODES DES MOINDRES CARRÉS ORDINAIRES (MCO) Observations X 1,..., X n de longueur n. Pour 0 < t n, les variables aléatoires e t (θ) sont définies récursivement par p q e t (θ) = X t a i X t i + b j e t j (θ), où les valeurs initiales inconnues sont remplacées par zéro : e 0 (θ) = = e 1 q (θ) = X 0 = = X 1 p = 0. i=1 Un estimateur des MCO de θ 0 est défini comme toute solution, p.s., mesurable ˆθ n de Francq et Zakoïan (1998). j=1 1 Q n(ˆθ n) = min Qn(θ), où Qn(θ) = θ Θ 2n n et 2 (θ). t=1

8 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES PROPRIÉTÉS ASYMPTOTIQUES DE L ESTIMATEUR DES MCO HYPOTHÈSES (A2) : Le processus (ɛ t ) est stationnaire et ergodique. (A3) : On a θ 0 Θ, où Θ désigne l intérieur de Θ. (A4) : Il existe un réel ν > 0 tel que E ( ɛ t 4+2ν) < les coefficients de mélange du processus (ɛ t ) vérifient k=0 {αɛ(k)} 2+ν ν <. Hypothèse de mélange qui nous permet de contrôler la dépendance dans le temps du processus (ɛ t ) THÉORÈME (FZ 98) Sous les hypothèses (H1) à (H4), on a n (ˆθ n θ 0 ) L N (0, Ω := J 1 IJ 1 ), où J = J(θ 0 ) et I = I(θ 0 ), avec J(θ) = lim n 2 ( ) Q n(θ) n θ θ p.s., I(θ) = lim Var n θ Qn(θ).

9 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES Q n(θ) = 1 2n n t=1 et 2 1 (θ) et On := 2n n ɛ 2 t (θ) sont "proches" car t=1 ( n θ Qn(θ 0) ) θ On(θ 0) = o P (1). IDÉE DE LA PREUVE 0 = n Qn(ˆθ n) θ = n Qn(θ 0) θ = n On(θ 0) θ ˆθ n θ 0 = J 1 On(θ 0) θ + o P (1) + 2 Q n(θ ) θ θ n (ˆθ n θ 0 ) + o P (1) + 2 O n(θ 0 ) θ θ } {{ } J + o P (1) = J 1 1 n t=1 n (ˆθn θ 0 ) + o P (1). n ɛ t (θ 0 ) ɛ t (θ 0 ) θ } {{ } :=Y t +o P (1). (1)

10 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

11 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL ON VEUT TESTER POUR DES ORDRES p ET q DONNÉS H 0 : (X t ) satisfait une représentation ARMA(p, q) avec bruit blanc faible H 1 : (X t ) n admet pas une représentation ARMA ou admet une représentation ARMA(p, q ), p > p ou q > q. ENJEUX : Choisir des ordres trop grands introduction d un grand nombre de paramètres non pertinents à estimer, une perte de précision de l estimation des paramètres. Choisir des ordres trop petits perte d information détectable par une corrélation des résidus ou estimation non convergente des paramètres. AUTOCOVARIANCES EMPIRIQUES DU BRUIT DE RETARD h : Pour 0 h < n, elles sont définies par : γ(h) = 1 n ɛ t ɛ t h. n t=h+1 Les γ(h) ne sont pas des statistiques (sauf si p 0 = q 0 = 0) puisqu elles dépendent des innovations théoriques ɛ t = ɛ t (θ 0 ). Vecteurs des m (pour m 1) premières autocovariances empiriques du bruit : γ m = (γ(1),..., γ(m)).

12 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL AUTOCOVARIANCES ET AUTOCORRÉLATIONS RÉSIDUELLES On note ê t = e t (ˆθ n). Autocovariances résiduelles de retard h définies par ˆγ(h) = 1 n ê t ê t h pour 0 h < n. n t=h+1 Nous utilisons des vecteurs de ces autocovariances résiduelles ˆγ m = (ˆγ(1),..., ˆγ(m)) et les vecteurs des autocorrélations résiduelles ˆρ(l) = ˆγ(l)/ˆγ(0), avec γ(0) := σ 2. ˆρ m = (ˆρ(1),..., ˆρ(m)), pour m 1 et

13 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL STATISTIQUES DE TESTS PORTMANTEAU Statistique du test portmanteau (BP, 1970) Q BP m m = n ˆρ 2 (h) h=1 et statistique modifiée du test portmanteau (LB, 1978) Q LB m = n(n + 2) m h=1 ˆρ 2 (h) n h. DÉVELOPPEMENT DE ˆγ(m) Pour h {1,..., m}, en utilisant la fonction θ 1 n n t=h+1 ɛ t (θ) ɛ t h (θ) on obtient Ainsi où la ligne h de la matrice Φ m est φ h. ( ) ɛt (θ 0 ) ˆγ(h) = γ(h) + E θ ɛ t h (θ 0 ) (ˆθ n θ 0 ) + o P (1). } {{ } :=φ h ˆγ m = γ m + Φ m (ˆθ n θ 0 ) + o P (1), (2)

14 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL DISTRIBUTIONS ASYMPTOTIQUES DES AUTOCOVARIANCES ET AUTOCORRÉLATIONS RÉSIDUELLES (FRZ05) Supposons p > 0 ou q > 0. Sous les hypothèses (A1) à (A4), quand n, nous avons n ˆγm N ( ) 0, Σˆγm et n ˆρm N ( ) 0, Σ ˆρm où, Σˆγm = Σ γm + Φ mσ ˆθn Φ m + ΦmΣ ˆθn,γ m + Σ ˆθn,γ Φ m m Σ ˆρm = Σˆγm /σ 4 où les matrices Σ γm, Σ ˆθn et Σ ˆθ proviennent de la distribution asymptotique jointe de n,γ m l estimateur MCO et des autocovariances empiriques du bruit.

15 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL THÉORÈME : (COMPORTEMENT ASYMPTOTIQUE DES STATISTIQUES DES TESTS PORTMANTEAU) Sous les précédentes, les statistiques Qm BP et Qm LB convergent en distribution, quand n, vers Z m(ξ m) = m i=1 ξ i,m Z 2 i où ξ m = (ξ 1,m,..., ξ m,m) est un vecteur des valeurs propres de la matrice Σ ˆρm = Σˆγm /σ 4, et Z 1,..., Z m sont des variables indépendantes de loi N (0, 1). ESTIMATION DE Σˆρm Dans la littérature économique, il existe (principalement) deux méthodes La méthode d estimation non paramétrique du noyau aussi appelée HAC (Heteroscedasticity and Autocorrelation Consistent). La méthode d estimation paramétrique de la densité spectrale.

16 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL DESCRIPTION DU TEST Pour un niveau asymptotique α, le test portmanteau de LB (resp. de BP) consiste à rejeter l adéquation de modèle ARMA(p, q) faible quand où S 1 α m ( est telle que P Q LB m > Sm 1 α (resp. Qm BP > Sm 1 α ) ) Z m(ˆξ m) > S 1 α m = α. ˆξ m = (ˆξ 1,m,..., ˆξ m,m) le vecteur des valeurs propres de ˆΣ ˆρm. Z m(ˆξ m) sera évaluer grâce à l algorithme d Imhof (1961). BUT : Trouver une loi qui ne dépend pas (d un ou) des paramètres inconnus.

17 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

18 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION IDÉE On va "plus loin" dans le développement de ˆγ m donné par (2) : ˆγ m = γ m + Φ m (ˆθ n θ 0 ) + o P (1). On injecte le développement de ˆθ n ˆθ 0 donné par (1) : n ˆθ n θ 0 = J 1 1 n t=1 ɛ t (θ 0 ) ɛ t (θ 0 ) θ } {{ } :=Y t +o P (1), et on obtient avec n ˆγm = 1 n ΓU t + o P (1), ( U t = ɛ t (θ 0 ) ɛ ) t (θ 0 ), ɛ t ɛ t 1,..., ɛ t ɛ t m R p+q+m θ et Γ la matrice bloc de R m (p+q+m) définie par ) Γ = ( Φ mj 1 I m, où I m est la matrice identité d ordre m.

19 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION Il existe Ξ = ΥΥ avec Υ triangulaire inférieure avec des termes diagonaux strictement positifs telles que 1 n d U t N (0, Ξ). n n t=1 THÉORÈME LIMITE CENTRAL Avec ΓΞΓ = (ΓΥ)(ΓΥ) := ΨΨ, 1 n n d ΓU t N (0, n ΨΨ ). t=1 THÉORÈME LIMITE CENTRAL FONCTIONNEL nr 1 ΓU j n j=1 où (B m(r)) r 0 est un brownien m-dimensionnel. D m n ΨBm(r) CONSÉQUENCE DU "CONTINUOUS MAPPING THEOREM" (I) nr ( ) 1 Γ U j 1 n D U i m n n Ψ( B n m(r) rb ) m(1). j=1 i=1

20 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION ( ) On rappelle que U t = ɛ t (θ 0 ) ɛ t (θ 0 ), ɛ θ t ɛ t 1,..., ɛ t ɛ t m et on note ( t S t = Γ U j 1 n U i ). n j=1 i=1 C m = 1 n n 2 S t S t. t=1 CONSÉQUENCE DU "CONTINUOUS MAPPING THEOREM" (II) ( ) 1 d C m Ψ (B n m(r) rb m(1)) (B m(r) rb m(1)) dr Ψ. 0 } {{ } :=V m AUTO-NORMALISATION n ˆγ m C 1 m ˆγ m = 1 n n t=1 d n ( ) (ΓU t ) Cm 1 (ΓU t ) + o P (1) ( (ΨBm(1)) ΨV mψ ) 1 (ΨBm(1)) = B m 1 (1)Vm B m(1) := U m. La loi de la variable aléatoire U m est obtenue par simulation (Voir Lobato (JASA 2001)).

21 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION TABLE DES QUANTILES DE LA VARIABLE ALÉATOIRE U m TABLE: Upper Critical Values of the Distribution of U m. m\α

22 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES STATISTIQUES MODIFIÉES DE TESTS PORTMANTEAU PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

23 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES STATISTIQUES MODIFIÉES DE TESTS PORTMANTEAU Posons Ĉm = 1 n n 2 Ŝ t Ŝ t t=1 Statistique modifiée du test portmanteau (BP) Q SN m = n ˆσ4 ˆρ mĉ 1 m ˆρ m et la statistique modifiée du test portmanteau (LB) Q SN m = n(n + 2) ˆσ4 ˆρ m Dn,mĈ 1 m ˆρ m où la matrice diagonale D n,m a pour entrée (1/(n 1),..., 1/(n m)). THÉORÈME : (COMPORTEMENT ASYMPTOTIQUE DES STATISTIQUES MODIFIÉES DES TESTS PORTMANTEAU) Sous les hypothèses (A1) à (A4), les statistiques Qm SN et Q SN m convergent en distribution, quand n, vers la variable aléatoire U m = B m(1)v m 1 B m(1) où V m = 1 0 (Bm(r) rbm(1)) (Bm(r) rbm(1)) dr.

24 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES STATISTIQUES MODIFIÉES DE TESTS PORTMANTEAU ( ) On rappelle que U t = ɛ t (θ 0 ) ɛ t (θ 0 ), ɛ θ t ɛ t 1,..., ɛ t ɛ t m R m+p+q et on note ( t St = U j 1 n U i ). n j=1 i=1 Cm+p+q = 1 n S n 2 t S t. REMARQUE t=1 ( ) 1 d Cm+p+q Ψ (B n m+p+q(r) rb m+p+q(1)) (B m+p+q(r) rb m+p+q(1)) dr Ψ. 0 } {{ } :=V m+p+q COMPORTEMENT ASYMPTOTIQUE DE (ˆθ n, ˆγ m ) Sous les hypothèses (A1) à (A4), quand n, nous avons 1 n(ˆθ n θ 0, γ m) C m+p+q (ˆθ n θ 0, γ m) d Um+p+q où U m+p+q := B m+p+q(1)v 1 m+p+q Bm+p+q(1).

25 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

26 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : BRUIT FORT Considérons le modèle ARMA(1,1) suivant X t = ax t 1 + ɛ t + bɛ t 1, où ɛ t = η t 1 + α 1 ɛ 2 t 1 et (η t ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the case of above strong ARMA model with the parameter θ 0 = (0,0) and α 1 = 0. The nominal asymptotic level of the tests is α = 5%. m = 2 m = 3 m = 4 Length n , , , 000 BPSN BPFRZ BP S m = 6 m = 10 m = 18 Length n , , , 000 BPSN BPFRZ BP S

27 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : ARMA FORT Modèle ARMA(1,1) : X t = ax t 1 + ɛ t + bɛ t 1 où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the case of the above strong ARMA(1,1) model with the parameter θ 0 = (0.95, 0.6) and α 1 = 0. The nominal asymptotic level of the tests is α = 5%. m = 1 m = 2 m = 3 Length n 500 1, , , 000 BPSN BP FRZ BP S n.a. n.a. n.a. n.a m = 6 m = 12 m = 18 Length n 500 1, , , 000 BPSN BP FRZ BP S

28 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : BRUIT FAIBLE Modèle ARMA(1,1) : X t = ax t 1 + ɛ t + bɛ t 1 où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the above weak ARMA(0,0) model with the parameter θ 0 = (0,0) and α 1 = 0.4. The nominal asymptotic level of the tests is α = 5%. m = 2 m = 3 m = 4 Length n 300 1, , , 000 BP SN BPFRZ BP S m = 6 m = 12 m = 18 Length n 300 1, , , 000 BP SN BPFRZ BP S

29 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : ARMA FAIBLE Modèle ARMA(1,1) : X t = ax t 1 + ɛ t + bɛ t 1 où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the case of the above weak ARMA(1,1) model with the parameter θ 0 = (0.95, 0.6) and α 1 = 0.4. The nominal asymptotic level of the tests is α = 5%. m = 1 m = 2 m = 3 Length n 1, 000 2, 000 1, 000 2, 000 1, 000 2, 000 BPSN BP FRZ BP S n.a. n.a. n.a. n.a m = 6 m = 12 m = 18 Length n 1, 000 2, 000 1, 000 2, 000 1, 000 2, 000 BPSN BP FRZ BP S

30 ILLUSTRATIONS NUMÉRIQUES PUISSANCE EMPIRIQUE, ARMA(2,1) PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

31 ILLUSTRATIONS NUMÉRIQUES PUISSANCE EMPIRIQUE, ARMA(2,1) PUISSANCE EMPIRIQUE DES TESTS PORTMANTEAU : CAS FORT Les observations sont générées par le modèle ARMA(2,1) : X t = X t 1 0.2X t 2 + ɛ t + 0.8ɛ t 1, où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). On teste si le modèle est un ARMA(1,1). TABLE: Empirical power (in %) of the standard and modified versions of the BP test for the above weak ARMA(2,1) model and α 1 = 0. m = 1 m = 2 m = 3 Length n 500 1, , , 000 BPSN BPFRZ BP S n.a. n.a. n.a. n.a m = 4 m = 6 m = 10 Length n 500 1, , , 000 BPSN BPFRZ BP S

32 ILLUSTRATIONS NUMÉRIQUES PUISSANCE EMPIRIQUE, ARMA(2,1) PUISSANCE EMPIRIQUE DES TESTS PORTMANTEAU : CAS FAIBLE Les observations sont générées par le modèle ARMA(2,1) : X t = X t 1 0.2X t 2 + ɛ t + 0.8ɛ t 1, où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). On teste si le modèle est un ARMA(1,1). TABLE: Empirical power (in %) of the standard and modified versions of the BP test for the above weak ARMA(2,1) model and α 1 = 0.4. m = 1 m = 2 m = 3 Length n 500 1, , , 000 BPSN BPFRZ BP S n.a. n.a. n.a. n.a m = 4 m = 6 m = 10 Length n 500 1, , , 000 BPSN BPFRZ BP S

33 ILLUSTRATIONS NUMÉRIQUES DONNÉES RÉELLES-INDICES BOURSIERS PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

34 ILLUSTRATIONS NUMÉRIQUES DONNÉES RÉELLES-INDICES BOURSIERS RENDEMENT CAC40 TABLE: α = 5% Standard and modified versions of portmanteau tests to check the null hypothesis that the CAC40 returns is a white noise (α = 5%). Lag m p BP SN p BP FRZ p BP S CONCLUSION Cette série n est donc pas issue d un bruit blanc fort mais pourrait provenir d un bruit blanc faible.

35 ILLUSTRATIONS NUMÉRIQUES DONNÉES RÉELLES-INDICES BOURSIERS CARRÉ DU RENDEMENT DU CAC40 TABLE: Standard and modified versions of portmanteau tests to check the null hypothesis that the CAC40 squared returns follow an ARMA(1,1) model (α = 5%). Lag m p BP p BP p BP SN FRZ S n.a. n.a Lag m p BP p BP p BP SN FRZ S CONCLUSION L hypothèse d un modèle ARMA(1;1) fort est rejetée ; L hypothèse d un modèle ARMA(1;1) faible n est pas rejetée. On obtient le modèle X t = X t 1 + ɛ t ɛ t 1, avec Var(ɛ t ) = , compatible avec la modélisation par un GARCH(1,1).

36 ILLUSTRATIONS NUMÉRIQUES CONCLUSION PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion

37 ILLUSTRATIONS NUMÉRIQUES CONCLUSION CONCLUSION Les versions modifiées des tests portmanteau sont plus faciles à implémenter que celles existantes dans la littérature car leurs valeurs critiques ne sont plus calculées à partir des données. Confirmation de la non validité des versions standards en présence de dépendance temporelle. Les résultats numériques confirment bien qu en présence ou non de dépendance temporelle, les tests proposés donnent des résultats très satisfaisants.

38 ILLUSTRATIONS NUMÉRIQUES CONCLUSION Merci de votre attention

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

Modèles GARCH et à volatilité stochastique

Modèles GARCH et à volatilité stochastique Christian Francq CREST-ENSAE & Université Lille 3 Chapitre 1: Séries financières et modèles GARCH Modèles AutoRégressifs Conditionnellement Hétéroscédastiques Engle (1982) : "Autoregressive Conditional

Plus en détail

Modèles GARCH et à volatilité stochastique

Modèles GARCH et à volatilité stochastique Christian Francq Chapitre 3: GARCH asymétriques Plan 1 Asymétrie des séries financières et inadéquation des GARCH standard 2 3 1 Asymétrie des séries financières et inadéquation des GARCH standard 2 3

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

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

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

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

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

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

Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université

Plus en détail

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

IFT3245. Simulation et modèles

IFT3245. Simulation et modèles IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques

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

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

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

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

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

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

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

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

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique

Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Projet CLANU en 3GE: Compléments d algèbre linéaire numérique Année 2008/2009 1 Décomposition QR On rappelle que la multiplication avec une matrice unitaire Q C n n (c est-à-dire Q 1 = Q = Q T ) ne change

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe

Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe Université de Nantes UFR des Sciences et Techniques Département de Mathématiques Master 2 Ingénierie mathématique 2012-2013 Travaux pratiques de Séries Temporelles F. Lavancier, A. Philippe Étude préliminaire

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

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

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

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

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

Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier

Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier Test de comparaison de deux modèles de régression non paramétriques basé sur les coefficients de Fourier Zaher Mohdeb Université Mentouri Département de Mathématiques, Constantine, Algérie E-mail: zaher.mohdeb@umc.edu.dz

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

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

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en 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

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Etude Quantitative d un Plan d Epargne Retraite Collectif Piloté

Etude Quantitative d un Plan d Epargne Retraite Collectif Piloté INSTITUT DE SCIENCE FINANCIERE ET D ASSURANCES Etude Quantitative d un Plan d Epargne Retraite Collectif Piloté Mémoire présenté devant l Institut de Science Financière et d Assurances pour l obtention

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

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

Evaluation de la performance prédictive de modèles robustes

Evaluation de la performance prédictive de modèles robustes Evaluation de la performance prédictive de modèles robustes 1 olivier.schoeni@unifr.ch 1 Département d Informatique Université de Fribourg (Suisse) Table des matières 1 2 Tests sur la performance prédictive

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

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.

Statistique. Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7. Statistique Jean-Yves Tourneret (1) (1) Université of Toulouse, ENSEEIHT-IRIT-TéSA Thème 1 : Analyse et Synthèse de l Information jyt@n7.fr Cours Statistique, 2010 p. 1/52 Plan du cours Chapitre 1 : Estimation

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Modèles GARCH et à volatilité stochastique 1

Modèles GARCH et à volatilité stochastique 1 Modèles GARCH et à volatilité stochastique 1 Christian FRANCQ Jean-Michel ZAKOÏAN 14 décembre 2009 1 Correction des exercices sur http://perso.univ-lille3.fr/~cfrancq Chapitre 1 Introduction Les modèles

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

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

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

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

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

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

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

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

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

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

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

Analyse de la variance Comparaison de plusieurs moyennes

Analyse de la variance Comparaison de plusieurs moyennes Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Développement de méthodes multi-grilles dans le cadre de l intéraction pastille/gaine

Développement de méthodes multi-grilles dans le cadre de l intéraction pastille/gaine Développement de méthodes multi-grilles dans le cadre de l intéraction pastille/gaine January 25, 2011 Ce n est le bon chemin que si la flèche vise le coeur, R.Hauser Intéraction Pastille/Gaine Fonctionnement

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

Chapitre 4 : Dualité en programmation linéaire

Chapitre 4 : Dualité en programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 4 : Dualité en programmation linéaire J.-F. Scheid 1 Plan du chapitre 1 Introduction et définitions 2 Propriétés et Théorèmes de dualité 3 Conditions d optimalité

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

Approche hybride De la correction des erreurs à la sélection de variables

Approche hybride De la correction des erreurs à la sélection de variables Approche hybride De la correction des erreurs à la sélection de variables G.M. Saulnier 1, W. Castaing 2 1 Laboratoire EDYTEM (UMR 5204, CNRS, Université de Savoie) 2 TENEVIA (http://www.tenevia.com) Projet

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

Estimation ARMA. Un processus ARMA est la solution stationnaire de l équation récurrente : θ k Z t k + Z t. k=1. k=1 φ kz k 0 pour z = 1.

Estimation ARMA. Un processus ARMA est la solution stationnaire de l équation récurrente : θ k Z t k + Z t. k=1. k=1 φ kz k 0 pour z = 1. Estimation ARMA Un processus ARMA est la solution stationnaire de l équation récurrente : X t = p φ k X t k + k=1 q θ k Z t k + Z t k=1 où Z t BB(0, σ 2 ) et où φ(z) = 1 + p k=1 φ kz k 0 pour z = 1. Paramètre

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

NOUVELLES MESURES DE DÉPENDANCE POUR

NOUVELLES MESURES DE DÉPENDANCE POUR NOUVELLES MESURES DE DÉPENDANCE POUR UNE MODÉLISATION ALPHA-STABLE. Bernard GAREL & Bernédy KODIA Institut de Mathématiques de Toulouse et INPT-ENSEEIHT Xèmmes Journées de Méthodologie Statistique de l

Plus en détail

Atelier d économétrie

Atelier d économétrie Atelier d économétrie Chapitre 4 : Le problème de la multicolinéarité : application sous SAS Vincent Bouvatier Université de Paris Ouest - Nanterre La Défense Bâtiment G, bureau 308A vbouvatier@u-paris10.fr

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

Chapitre 7 : Programmation dynamique

Chapitre 7 : Programmation dynamique Graphes et RO TELECOM Nancy 2A Chapitre 7 : Programmation dynamique J.-F. Scheid 1 Plan du chapitre I. Introduction et principe d optimalité de Bellman II. Programmation dynamique pour la programmation

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

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

Introduction générale

Introduction générale Chapitre 1 Introduction générale Ce chapitre est consacré à une présentation rapide des méthodes numériques qui sont étudiées en détail dans ce cours Nous y donnons une approche très simplifiée des quatre

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES

Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 8 ANALYSE DES SÉRIES CHRONOLOGIQUES Nous abordons dans ce chapitre l analyse de données statistiques particulières

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance Master Modélisation Statistique M2 Finance - chapitre 0 Introduction au cours de finance Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en 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

Marches, permutations et arbres binaires aléatoires

Marches, permutations et arbres binaires aléatoires Marches, permutations et arbres binaires aléatoires Épreuve pratique d algorithmique et de programmation Concours commun des Écoles Normales Supérieures Durée de l épreuve: 4 heures Cœfficient: 4 Juillet

Plus en détail

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS David Ryckelynck Centre des Matériaux, Mines ParisTech David.Ryckelynck@mines-paristech.fr Bibliographie : Stabilité et mécanique non linéaire,

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

Examen de Gestion des Risques Financiers

Examen de Gestion des Risques Financiers Examen de Gestion des Risques Financiers Thierry Roncalli 4 janvier 2012 Merci de rédiger entièrement vos réponses. 1 Les réglementations Bâle II et Bâle III 1. Quelles sont les principales différences

Plus en détail

TD 3 : Problème géométrique dual et méthode des moindres carrés

TD 3 : Problème géométrique dual et méthode des moindres carrés Semestre, ENSIIE Optimisation mathématique 4 mars 04 TD 3 : Problème géométrique dual et méthode des moindres carrés lionel.rieg@ensiie.fr Exercice On considère le programme géométrique suivant : min x>0,y>0

Plus en détail

Modélisation de séries temporelles. V. Monbet - 2012-2013

Modélisation de séries temporelles. V. Monbet - 2012-2013 Modélisation de séries temporelles V. Monbet - 2012-2013 Table des matières 1 Introduction 3 1.1 Objectifs (et moyens).................................. 3 1.2 Qu est-ce qu une série temporelle?..........................

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011

La méthode Monte-Carlo. DeriveXperts. 19 mai 2011 19 mai 2011 Outline 1 Introduction Définition Générale Génération de nombre aléatoires Domaines d application 2 Cadre d application Méthodologie générale Remarques Utilisation pratique Introduction Outline

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

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

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

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Cours 3: Inversion des matrices dans la pratique...

Cours 3: Inversion des matrices dans la pratique... Cours 3: Inversion des matrices dans la pratique... Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module complémentaire de maths, année 2012 1 Rappel de l épisode précédent

Plus en détail