Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr
|
|
- Hélène Bernard
- il y a 8 ans
- Total affichages :
Transcription
1 Modèles ARIMA et SARIMA Estimation dans R 1 et SAS 2 Novembre 2007 Yves Aragon aragon@cict.fr Cette note examine les différences entre R et SAS dans l estimation des modèles ARIMA et SARIMA. Elle illustre également l emploi du package dse pour simuler un modèle ARIMA. 1 Estimation d un ARIMA Pour comprendre comment on lit les résultats d estimation dans les deux logiciels, prenons l exemple suivant. On veut estimer un ARIMA(1,1,2) sur une série d observations y t, t = 1,, T, simulées suivant un tel modèle. Autrement dit on veut estimer le modèle : Y t = µ + 1 θ 1B θ 2 B 2 Z t, Z t BBN(0, σ 2 1 φ 1 B Z), (1) où Y t = (1 B)Y t Dans cette expression, µ est bien la moyenne de (1 B)Y t. Le modèle peut encore s écrire : (1 B)(1 φ 1 B)Y t = c + (1 θ 1 B θ 2 B 2 )Z t (2) et c = µ(1 φ). Les observations sont dans le fichier y_112_data.txt, elles sont tirées suivant le modèle (1 B)( B)Y t = 5 + ( B + 0.2B 2 )Z t, Z t BBN(0, 16), la série est appelée y2 dans le code ci-dessous. Estimation d un tel modèle dans SAS Le code 10 data a; infile D:\Serie_T\TP_R_ST\Simulation ST R\y2_112b.txt ; input run; proc print data=a (obs=20); run; 15 proc arima data=a; i var=y2(1); run; e p=1 q=2 method = ml; run; f out= pred_y2 lead= 5; run; 20 quit; donne les résultats suivants. 10 The ARIMA Procedure Name of Variable = y2 15 Period(s) of Differencing 1 Mean of Working Series Standard Deviation Number of Observations 199 Observation(s) eliminated by differencing 1 20 Maximum Likelihood Estimation Erreur Pr. 1 http ://
2 Paramètre Estimation standard Valeur du test t Approx. > t Retard 25 MU < MA1, MA1, AR1, < Constant Estimate Variance Estimate Std Error Estimate AIC SBC Number of Residuals 199 Correlations of Parameter Estimates 40 Parameter MU MA1,1 MA1,2 AR1,1 MU MA1, MA1, AR1, Model for variable y2 Estimated Mean Period(s) of Differencing 1 Autoregressive Factors 55 Factor 1: Factor 1: B**(1) Moving Average Factors B**(1) B**(2) On peut voir que SAS fournit les estimations de µ et c (MU et constant estimate) de (1) et (2). MU et Mean of Working Series sont deux estimations (Maximum de vraisemblance et méthode des moments) de µ. Estimation dans R Utilisation de la fonction arima() du package stats. La variable y2 doit être une série temporelle, ceci est obtenu par exemple par y2 = ts(y2). > xmat0 =1:length(y2) > (est.y2 = arima(y2, order = c(1,1,2),xreg= xmat0, method = "ML")) Call: arima(x = y2, order = c(1, 1, 2), xreg = xmat0, method = "ML") Coefficients: ar1 ma1 ma2 xmat s.e sigmaˆ2 estimated as 14.6: log likelihood = , aic = Notons dans ces sorties que 2.871*1.691 = simulations , estimation de la constante 5 donnée pour les Explication de la syntaxe. Dans 2
3 est.y2 =arima(y2,order= c(1,1,2),xreg= xmat0, method = "ML"), par xreg= xmat0, R comprend le modèle ARIMA(p,1,q) comme un modèle de Y t de la forme Y t = b + c t + e t où après différenciation à l ordre 1, e t est ARMA(p,q) centré. Cette différenciation donne Y t = c + e t, c est le coefficient de t, la variable indiquée dans xreg =. c est aussi la dérive de Y t. Compléments. 1. Observons que R note la partie MA : 1 + θ 1 B + θ 2 B Pour l estimation, on peut alternativement différencier y puis ajuster un ARMA(1,2) à la série différenciée. On obtient des estimations très proches des précédentes mais le calcul des prévisions sur y demande un peu de réflexion. 3. Egalement, on estime correctement le modèle par le code : require(forecast) (est.d = arima(y2, order = c(1,1,2), include.drift=true, method = "ML")) Attention! Il existe deux versions de arima() l une dans le package stats chargé quand on lance R, l autre dans le package forecast. Il faut éviter de revenir à la version de stats après avoir utilisé celle de forecast. La solution : sauver la session de R par save.image(), quitter R puis le relancer. Prévision dans R Suivant l avertissement au paragraphe précédent, on a sauvé une image de la session, fermé R et rechargé l image de la session sans charger forecast. > (pred.y2= predict(est.y2, n.ahead=5,newxreg =((length(y2)+1):(length(y2)+5)))) $pred Time Series: Start = 201 End = 205 Frequency = 1 [1] $se Time Series: Start = 201 End = 205 Frequency = 1 [1] Prévision dans SAS Elle est faite par l étape f ou forecast du code SAS précédent. On obtient The ARIMA Procedure Prévisions pour la variable y2 Obs Forecast Std Error 95Limites de confiance % 3
4 On peut observer des différences avec R, notamment dans l estimation de l écart-type de l erreur de prédiction. Elles peuvent être dues à des choix différents dans l initialisation des récurrences. 2 Estimation d un SARIMA ou Considérons l estimation d un SARIMA(1, 1, 1)(1, 1, 0) 4. Le modèle est (1 B)(1 B 4 )Y t = µ + 1 θ 1 B (1 φ 1 B)(1 Φ 1 B 4 ) Z t, (3) (1 B)(1 B 4 )(1 φ 1 B)(1 Φ 1 B 4 )Y t = g + (1 θ 1 B)Z t. (3+) Dans (3), µ est la moyenne de la série différenciée (1 B)(1 B 4 g )Y t, et on a : µ = (1 φ 1 )(1 Φ 1 ). On veut estimer un SARIMA(1, 1, 1)(1, 1, 0) 4 sur une série d observations y t, t = 1,, T, simulées suivant un tel modèle. Les observations sont dans le fichier y3_111_110.txt, la série est appelée y3 dans le code ci-dessous et le modèle simulé est : Estimation dans R (1 B)(1 B 4 )(1 0.7B)( B 4 )Y t = 2 + ( B)Z t,, Z t BBN(0, 1) R comprend le modèle SARIMA(p, 1, q)(p, 1, Q) 4 comme un modèle de Y t de la forme Y t = a + b t + c t 2 + e t (4) où après différenciation aux ordres 1 et 4, (1 B)(1 B 4 )e t est ARMA(p,q) centré. Cette différenciation donne (1 B)(1 B 4 )Y t = 8c + (1 B)(1 B 4 )e t, c est le coefficient de t 2, alors que 8c est la moyenne de la série deux fois différenciée. > xmat1 = matrix(1:length(y3)) > xmat2 = matrix((1:length(y3))ˆ2) > xmat = cbind(xmat1,xmat2) > (est.3=arima(y3,order=c(1,1,1),seasonal=list(order=c(1, 1, 0),period = 4), + xreg=xmat2, method = "ML")) Call: arima(x = y3,order = c(1, 1, 1), seasonal = list(order = c(1, 1, 0), period = 4), xreg = xmat2, method = "ML") Coefficients: ar1 ma1 sar1 xmat s.e sigmaˆ2 estimated as 0.962: log likelihood = , aic =
5 Notons que -.758/((1-.765)*(1+.54)) = , alors que la constante fournie pour la simulation est -2. Le coefficient de xmat2 est donc l estimation de c tandis que l estimation de la moyenne de Y t est * 8 = (Ce qu on peut comparer à ce que donne SAS, p.5 ligne 15 du Verbatim Mean of Working Series et ligne 39 Estimated Mean ) Il est clair que b n est pas identifiable. On peut s en convaincre en mettant les deux régresseurs t et t 2 par xreg= xmat. Le logiciel fournit alors notamment ar1 ma1 sar1 xmat1 xmat s.e qui montre que t dans (4) n est pas significative. Estimation dans SAS Le code, y compris une étape de prévision à l horizon 5, est : data a; infile D:/Serie_T/DESS_ST/ /SARIMA_R_SAS/Simulation_ST_R/y3_111_110.txt ; input run; proc print data=a (obs=20); run; proc arima data=a; i var=y3(1,4); run; e p=(1)(4) q=1 method = ml; run; /* prevision à l horizon 5 */ f out= pred_y2 lead= 5; run; quit; La sortie est de l étape e ou estimate est 10 The ARIMA Procedure Name of Variable = y3 Period(s) of Differencing 1,4 15 Mean of Working Series Standard Deviation Number of Observations 195 Observation(s) eliminated by differencing 5 20 Maximum Likelihood Estimation Erreur Pr. Paramètre Estimation standard Valeur du test t Approx. > t Retard 25 MU < MA1, < AR1, < AR2, < Constant Estimate
6 Variance Estimate Std Error Estimate AIC SBC Number of Residuals 195 Model for variable y3 Estimated Mean Period(s) of Differencing 1,4 Autoregressive Factors Factor 1: B**(1) 45 Factor 2: B**(4) Moving Average Factors 50 Factor 1: B**(1) Prévision dans R Il faut fournir les valeurs prise par la variable explicative pour chaque date de l horizon de prédiction, 5 dans cet exemple. La commande est de la forme : (pred.4c = predict(est.3, n.ahead = 5, newxreg = ((length(y2)+1):(length(y2)+5))ˆ2)) 3 Simulation Simulation d un ARIMA dans R Supposons qu on veuille simuler un ARIMA(2,1,1). Le principe est toujours le même : il faut expliciter l équation de récurrence que suit la série et fournir le bruit blanc. S il n existe pas de fonction adaptée dans le logiciel, on programme ensuite la récurrence en utilisant des boucles. Exemple. Simulation de 200 observations de Y t vérifiant (1 B)(1 +.7B)Y t = 2 + (1 +.4B +.2B 2 )Z t où Z t BBN(0, σ 2 Z = 4). Notons que (1 B)Y t est stationnaire de moyenne 2/(1+0.7) = Y t n étant pas stationnaire, la simulation dépend des valeurs initiales choisies. 1 Préalablement, on peut s assurer que la partie MA est inversible en calculant les modules des racines de son polynôme : require(polynom) > Mod(polyroot(c(1,.4,.2))) [1] le processus est donc bien inversible. 2 On simule un bruit blanc gaussien de longueur supérieure à la longueur de la série à simuler. Les valeurs en trop nous fourniront les valeurs initiales. 6
7 set.seed(1) # cette commande permet d avoir constamment la même # suite de simulations # c est nécessaire quand on veut comparer des résultats long.sim = 200 n.init = 30 bb = rnorm(long.sim+n.init,0,2) # BB N(0,4) 3 Pour la simulation, nous n avons pas de boucle à programmer car plusieurs fonctions sont proposées dans R. Nous utilisons simulate() du package dse. Il faut fournir les polynômes d autorégression et de moyenne mobile sous forme développée. Le polynôme d autorégression étant un produit de deux polynômes, on effectue d abord ce produit. > autopol = polynomial(c(1,0.7))*polynomial(c(1,-1)) > # les coeff du poly du deg 0 au deg max > vecauto = as.vector(autopol) > vecauto [1] Il faut maintenant écrire le modèle ARIMA à simuler. (Utiliser l aide en ligne (help(simulate))pour comprendre le détail de ce qui suit.) > AR =array( vecauto,c(length(vecauto),1,1)) > AR,, 1 [,1] [1,] 1.0 [2,] -0.3 [3,] -0.7 > MA=array(c(1,.4,.2),c(3,1,1)) > MA,, 1 [,1] [1,] 1.0 [2,] 0.4 [3,] 0.2 > constant=2 > mod4b <- ARMA(A=AR,B=MA, C=NULL, TREND=constant) > mod4b TREND= 2 A(L) = 1-0.3L1-0.7L2 B(L) = 1+0.4L1+0.2L2 Maintenant on simule, en choisissant les valeurs initiales de la série dans le bruit blanc simulé. Observons que l opérateur retard est noté L et non B dans ce package. asim4b =simulate(mod4b, y0=bb[1:n.init],input=as.matrix(rep(constant,long.sim)), input0=null,noise=as.matrix(bb[(n.init+1):(n.init+long.sim)]),samplet=long.sim) 7
8 asim4b est un objet assez complexe. On examine sa structure : str(asim4b) et on voit que la série simulée est la composante asim4b$output. Référence. 8
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 détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en détailTempérature 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 détailModèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Plus en détail2 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 détailModèle 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 détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailMODELE 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 détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détaildistribution quelconque Signe 1 échantillon non Wilcoxon gaussienne distribution symétrique Student gaussienne position
Arbre de NESI distribution quelconque Signe 1 échantillon distribution symétrique non gaussienne Wilcoxon gaussienne Student position appariés 1 échantillon sur la différence avec référence=0 2 échantillons
Plus en détailINITIATION AU LOGICIEL SAS
INITIATION AU LOGICIEL SAS (version 9.1.3 sous Windows) Hélène HAMISULTANE Bibliographie : Initiation au logiciel SAS(9) pour Windows, Coqué N. (juin 2006). www.agroparistech.fr/img/pdf/polysas.pdf SAS
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détail1 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 détailSAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
Plus en détailTable des matières PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS. Introduction
PRESENTATION DU LANGAGE DS2 ET DE SES APPLICATIONS Depuis SAS 9.2 TS2M3, SAS propose un nouveau langage de programmation permettant de créer et gérer des tables SAS : le DS2 («Data Step 2»). Ces nouveautés
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailFOAD COURS D ECONOMETRIE 1 CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 2012.
FOAD COURS D ECONOMETRIE CHAPITRE 2 : Hétéroscédasicité des erreurs. 23 mars 202. Christine Maurel Maître de conférences en Sciences Economiques Université de Toulouse - Capitole Toulouse School of Economics-ARQADE
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailUn exemple de régression logistique sous
Fiche TD avec le logiciel : tdr341 Un exemple de régression logistique sous A.B. Dufour & A. Viallefont Etude de l apparition ou non d une maladie cardiaque des coronaires 1 Présentation des données Les
Plus en détailPrincipe 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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailPrésentation du langage et premières fonctions
1 Présentation de l interface logicielle Si les langages de haut niveau sont nombreux, nous allons travaillé cette année avec le langage Python, un langage de programmation très en vue sur internet en
Plus en détailExercices - 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 détailAnalyse 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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détail(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailLe signal GPS. Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz
Le signal GPS Les horloges atomiques à bord des satellites GPS produisent une fréquence fondamentale f o = 10.23 Mhz Deux signaux en sont dérivés: L1 (fo x 154) = 1.57542 GHz, longueur d onde = 19.0 cm
Plus en détailFiltrage 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 détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailSimulation 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 détailLE PROCESSUS ( la machine) la fonction f. ( On lit : «fonction f qui à x associe f (x)» )
SYNTHESE ( THEME ) FONCTIONS () : NOTIONS de FONCTIONS FONCTION LINEAIRE () : REPRESENTATIONS GRAPHIQUES * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *
Plus en détailaux 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 détailLOGICIELS DE PRÉVISIONS
Pour vos appels d offre Mars 2014 LGICIELS DE PRÉVISINS 4 e ÉDITIN SAS INSTITUTE SAS Forecast Server SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort 1. NM de l'éditeur SAS Institute
Plus en détailChapitre 3 : Le budget des ventes. Marie Gies - Contrôle de gestion et gestion prévisionnelle - Chapitre 3
Chapitre 3 : Le budget des ventes Introduction 2 Rappel des différents budgets opérationnels - budget des ventes (chapitre 3) - budget de production (chapitre 4) - budget des approvisionnements et des
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailPrévision ARFIMA des taux de change : les modélisateurs doivent-ils encore exhorter à la naïveté des prévisions?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 54 1999 Prévision ARFIMA des taux de change : les modélisateurs doivent-ils encore exhorter à la naïveté des prévisions? Sandrine LARDIC, Valérie MIGNON * RÉSUMÉ.
Plus en détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailL informatique en BCPST
L informatique en BCPST Présentation générale Sylvain Pelletier Septembre 2014 Sylvain Pelletier L informatique en BCPST Septembre 2014 1 / 20 Informatique, algorithmique, programmation Utiliser la rapidité
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailCOMPRENDRE LES DIFFERENTS TYPES DE CONNEXION LORS DE LA
COMPRENDRE LES DIFFERENTS TYPES DE CONNEXION LORS DE LA DEFINITION D UNE BIBLIOTHEQUE D ACCES A UNE BASE DE DONNEES Cet article s adresse aux administrateurs SAS en charge de la mise à disposition des
Plus en détailSéries temporelles : régression, et modélisation ARIMA(p,d,q)
Séries temporelles : régression, et modélisation ARIMA(p,d,q) 2 décembre 2012 Enseignant : Florin Avram Objectif : La prédiction des phénomènes spatio-temporaux est une des preoccupations principales dans
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détailTable des matières L INTEGRATION DE SAS AVEC JMP. Les échanges de données entre SAS et JMP, en mode déconnecté. Dans JMP
L INTEGRATION DE SAS AVEC JMP Quelles sont les techniques possibles pour intégrer SAS avec JMP? Comment échanger des données entre SAS et JMP? Comment connecter JMP à SAS? Quels sont les apports d une
Plus en détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détail21 mars 2012. Simulations et Méthodes de Monte Carlo. DADI Charles-Abner. Objectifs et intérêt de ce T.E.R. Générer l'aléatoire.
de 21 mars 2012 () 21 mars 2012 1 / 6 de 1 2 3 4 5 () 21 mars 2012 2 / 6 1 de 2 3 4 5 () 21 mars 2012 3 / 6 1 2 de 3 4 5 () 21 mars 2012 4 / 6 1 2 de 3 4 de 5 () 21 mars 2012 5 / 6 de 1 2 3 4 5 () 21 mars
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailRappels et compléments, première partie : Nombres complexes et applications à la géométrie
Rappels et compléments, première partie : Nombres complexes et applications à la géométrie 1 Définition des nombres complexes On définit sur les couples de réels une loi d addition comme suit : (x; y)
Plus en détail1 Introduction - Qu est-ce que le logiciel R?
Master 1 GSI - Mentions ACCIE et RIM - ULCO, La Citadelle, 2012/2013 Mesures et Analyses Statistiques de Données - Probabilités TP 1 - Initiation au logiciel R 1 Introduction - Qu est-ce que le logiciel
Plus en détailUtilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
Plus en détail3 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 détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détail0707 70 70 Lot-sizing Résumé :
77 7 7 2 Lo-szng Résumé : L améloraon de la qualé des servces logsques es la garane essenelle pour la réalsaon de l avanage de ces servces, l augmenaon du nveau de sasfacon des clens e l améloraon de la
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailSoutenance 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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailProblèmes arithmétiques issus de la cryptographie reposant sur les réseaux
Problèmes arithmétiques issus de la cryptographie reposant sur les réseaux Damien Stehlé LIP CNRS/ENSL/INRIA/UCBL/U. Lyon Perpignan, Février 2011 Damien Stehlé Problèmes arithmétiques issus de la cryptographie
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailL export de SAS vers Excel expliqué à ma fille
L export de SAS vers Excel expliqué à ma fille SAS est un logiciel merveilleux, mais tous n y ont pas accès. Pour contenter la soif de données de vos collègues qui n auraient pas d autre outil à disposition,
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailConsultants en coûts - Cost Consultants
Respecter l échéancier et le budget est-ce possible? On time, on budget is it possible? May, 2010 Consultants en coûts - Cost Consultants Boulletin/Newsletter Volume 8 Mai ( May),2010 1 866 694 6494 info@emangepro.com
Plus en détailFiche PanaMaths Calculs avec les fonctions sous Xcas
Fiche PanaMaths Calculs avec les fonctions sous Xcas Cette fiche destinée aux élèves des classes de Terminale requiert un premier niveau de connaissance du logiciel Xcas. Définition d une fonction Fonctions
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailThéorie Financière 8 P. rod i u t its dé dérivés
Théorie Financière 8P 8. Produits dit dérivés déié Objectifsdelasession session 1. Définir les produits dérivés (forward, futures et options (calls et puts) 2. Analyser les flux financiers terminaux 3.
Plus en détailDécouverte du logiciel ordinateur TI-n spire / TI-n spire CAS
Découverte du logiciel ordinateur TI-n spire / TI-n spire CAS Mémento Ouvrir TI-Nspire CAS. Voici la barre d outils : L insertion d une page, d une activité, d une page où l application est choisie, pourra
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLa demande touristique européenne en Tunisie. Chokri OUERFELLI Doctorant LATEC (UMR 5601 - CNRS), Université de Bourgogne
La demande touristique européenne en Tunisie Chokri OUERFELLI Doctorant LATEC (UMR 56 - CNRS), Université de Bourgogne Résumé L'objectif de ce travail consiste à faire ressortir, à côté de la saisonnalité
Plus en détailProjet évaluation : précipitation et
Projet évaluation : précipitation et nuages du Global-Meso Groupe Global-Meso Meso: Stéphane Bélair,, Michel Roch,, Anne- Marie Leduc, Paul Vaillancourt Objectifs du projet d évaluation Développer des
Plus en détailGestion des données avec R
Gestion des données avec R Christophe Lalanne & Bruno Falissard Table des matières 1 Introduction 1 2 Importation de fichiers CSV 1 2.1 Structure du fichier de données...................................
Plus en détailCrises bancaires dans les pays de l UEMOA : un système d alerte avancée fondé sur une approche logit multinomiale
Crises bancaires dans les pays de l UEMOA : un système d alerte avancée fondé sur une approche logit multinomiale Alain ANGORA, Amine TARAZI Résumé : Notre objectif dans ce travail est, d une part, d analyser
Plus en détailIntroduction 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 détailVérification de programmes et de preuves Première partie. décrire des algorithmes
Vérification de programmes et de preuves Première partie. décrire des algorithmes Yves Bertot September 2012 1 Motivating introduction A partir des années 1940, il a été compris que l on pouvait utiliser
Plus en détailRésolution 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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailStatistiques à une variable
Statistiques à une variable Calcul des paramètres statistiques TI-82stats.fr? Déterminer les paramètres de la série statistique : Valeurs 0 2 3 5 8 Effectifs 16 12 28 32 21? Accès au mode statistique Touche
Plus en détail