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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Modèles matriciels pour la gestion de population naturelle structurée en taille

Modèles matriciels pour la gestion de population naturelle structurée en taille Modèles matriciels pour la gestion de population naturelle structurée en taille Application à la gestion forestière en Afrique centrale Nicolas Picard, Sylvie Gourlet-Fleury, Frédéric Mortier, Vivien Rossi,

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

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

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

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Chapitre 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

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

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

CHAPITRE I. Michel LUBRANO. Septembre 2008. 1 Introduction 2

CHAPITRE I. Michel LUBRANO. Septembre 2008. 1 Introduction 2 CHAPITRE I Introduction à la modélisation des séries temporelles univariées Michel LUBRANO Septembre 2008 Contents 1 Introduction 2 2 Processus stochastiques 3 2.1 Processus stationnaires............................

Plus en détail

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

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

Plus en détail

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

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

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

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

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

Plus en détail

Puissance d un test de détection de zones de changement abrupt dans le plan

Puissance d un test de détection de zones de changement abrupt dans le plan Puissance d un test de détection de zones de changement abrupt dans le plan Edith Gabriel & Denis Allard Institut National de la Recherche Agronomique, Unité de Biométrie Domaine saint Paul, site agroparc,

Plus en détail

Introduction à la statistique non paramétrique

Introduction à la statistique non paramétrique Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non

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

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

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

Plus en détail

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

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

Plus en détail

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

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

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

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

X-ENS PSI - 2009 Un corrigé

X-ENS PSI - 2009 Un corrigé X-ENS PSI - 009 Un corrigé Première partie.. Des calculs élémentaires donnent χ A(α) = χ B(α) = X X + et χ A(α)+B(α) = X X + 4α + 4 On en déduit que Sp(A(α)) = Sp(B(α)) = {j, j } où j = e iπ 3 Sp(A(α)

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

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

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

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

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

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

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. b) On suppose rga + rgb n. Montrer qu il existe U, V GL n (K) tels que

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. b) On suppose rga + rgb n. Montrer qu il existe U, V GL n (K) tels que [http://mp.cpgedupuydelome.fr] édité le 0 juillet 204 Enoncés Rang d une matrice Exercice [ 0070 ] [correction] Soit A M n K une matrice carrée de rang. a Etablir l existence de colonnes X, Y M n, K vérifiant

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

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

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

Plus en détail

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

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

Examen d accès - 28 Septembre 2012

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

Plus en détail

Gestion des Risques Financiers

Gestion des Risques Financiers Gestion des Risques Financiers Thierry Roncalli 9 janvier 2008 Merci de rédiger entièrement vos réponses. 1 La réglementation Bâle II 1. Quelles sont les principales diérences entre l'accord originel de

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

MODELE A CORRECTION D ERREUR ET APPLICATIONS

MODELE A CORRECTION D ERREUR ET APPLICATIONS MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques

Plus en détail

1 Sujets donnés en option scientifique

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

Plus en détail

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

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

Faculté Polydisciplinaire de Tétouan Master Finance Islamique. M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance

Faculté Polydisciplinaire de Tétouan Master Finance Islamique. M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance Année Universitaire: 2014-2015 Faculté Polydisciplinaire de Tétouan Master Finance Islamique M12 Modélisation Mathématique II: -Méthodes de Prévision en Finance Département de Statistique et Informatique

Plus en détail

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Notes de cours Économétrie 1. Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement

Notes de cours Économétrie 1. Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Notes de cours Économétrie 1 Shuyan LIU Shuyan.Liu@univ-paris1.fr http ://samm.univ-paris1.fr/shuyan-liu-enseignement Année 2013-2014 Chapitre 1 Introduction Qu est-ce que l économétrie? À quoi sert -

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

Économetrie non paramétrique I. Estimation d une densité

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

Plus en détail

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

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

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

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

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

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

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

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

INTRODUCTION AUX SÉRIES TEMPORELLES. Julien JACQUES http://eric.univ-lyon2.fr/ jjacques/

INTRODUCTION AUX SÉRIES TEMPORELLES. Julien JACQUES http://eric.univ-lyon2.fr/ jjacques/ INTRODUCTION AUX SÉRIES TEMPORELLES Julien JACQUES http://eric.univ-lyon2.fr/ jjacques/ Table des matières 1 Introduction et premières définitions 5 1.1 Tendances et composantes saisonnières.................................

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

Algorithmique et Programmation TD n 9 : Fast Fourier Transform

Algorithmique et Programmation TD n 9 : Fast Fourier Transform Algorithmique et Programmation TD n 9 : Fast Fourier Transform Ecole normale supérieure Département d informatique td-algo@di.ens.fr 2011-2012 1 Petits Rappels Convolution La convolution de deux vecteurs

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

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

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

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire

Plus en détail

PRIME D UNE OPTION D ACHAT OU DE VENTE

PRIME D UNE OPTION D ACHAT OU DE VENTE Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

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

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

Correction des exercices du livre La Gestion des Risques Financiers

Correction des exercices du livre La Gestion des Risques Financiers Correction des exercices du livre La Gestion des Risques Financiers Thierry Roncalli 4 Décembre Ce document présente les corrections des questions de cours et des exercices des pages 535 à 55 du livre

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

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

UNIVERSITÉ PARIS DESCARTES

UNIVERSITÉ PARIS DESCARTES UNIVERSITÉ PARIS DESCARTES MASTER Domaine DROIT, ÉCONOMIE, GESTION Mention MONNAIE,BANQUE, FINANCE, ASSURANCE Spécialité RISQUE, ASSURANCE, DÉCISION 2014 / 2015 Z.Trocellier Directeurs Pr Kouroche VAFAÏ

Plus en détail

Introduction à l analyse spectrale. P. Granjon, J-L. Lacoume

Introduction à l analyse spectrale. P. Granjon, J-L. Lacoume Introduction à l analyse spectrale P. Granjon, J-L. Lacoume Table des matières Propriétés énergétiques des signaux 2. Signaux à temps et fréquence continus............................. 2.2 Signaux à temps

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

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

Plus en détail

THESE. Analyses statisitiques des communications sur puce

THESE. Analyses statisitiques des communications sur puce N attribué par la bibliothèque : 6ENSL 393 THESE en vue d obtenir le obtenir le grade de Docteur de l Ecole Normale Supérieure de Lyon spécialité : Informatique Laboratoire de l Informatique du Parallélisme

Plus en détail

Initiation à la Statistique IS-Math314

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

Plus en détail

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

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