Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
|
|
- Corinne Lavergne
- il y a 9 ans
- Total affichages :
Transcription
1 Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
2 Notion de longue mémoire Les valeurs d une série temporelle X = (X l ) l Z sont en général dépendantes.
3 Notion de longue mémoire Les valeurs d une série temporelle X = (X l ) l Z sont en général dépendantes. Objectif : identifier et modéliser cette structure de dépendance.
4 Notion de longue mémoire Les valeurs d une série temporelle X = (X l ) l Z sont en général dépendantes. Objectif : identifier et modéliser cette structure de dépendance. Outil possible : notion de longue mémoire.
5 Notion de longue mémoire Notion introduite par B.Mandelbrot et ses collaborateurs dans les années (Mandelbrot (1965), Mandelbrot Van ness (1968), Mandelbrot Wallis (1968,1969).
6 Notion de longue mémoire Notion introduite par B.Mandelbrot et ses collaborateurs dans les années (Mandelbrot (1965), Mandelbrot Van ness (1968), Mandelbrot Wallis (1968,1969). Objectif : expliquer le phénomène de Hurst (1951) lié à l étude des niveaux du Nil.
7 Notion de longue mémoire Minima annuel des eaux du Nil : années
8 Notion de longue mémoire Comportement inhabituel de certaines statistiques de cette série temporelle.
9 Notion de longue mémoire Comportement inhabituel de certaines statistiques de cette série temporelle. Théorème central limite (CLT) non vérifié.
10 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1.
11 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1. Var(S n ) = 1 n + 2 n 2 n 2 (n l)γ X (l). l=0
12 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1. Var(S n ) = 1 n + 2 n 2 n 2 (n l)γ X (l). l=0 l N γ X (l) < n 1/2 S n asymptotiquement gaussien : CLT vérifié.
13 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire gaussienne centrée telle que Var(X 0 ) = 1. Pour tout l Z, on note γ X (l) = E(X 0 X l ). S n = 1 ( n Σ n 1 l=0 X l) pour tout n 1. Var(S n ) = 1 n + 2 n 2 n 2 (n l)γ X (l). l=0 l N γ X (l) < n 1/2 S n asymptotiquement gaussien : CLT vérifié. Deux cas : l N γ X (l) sommable ou non sommable.
14 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire. Cas l N γ X (l) <, série temporelle X à mémoire courte.
15 Notion de longue mémoire X = (X l ) l Z série temporelle stationnaire. Cas l N γ X (l) <, série temporelle X à mémoire courte. Cas l N γ X (l) =, série temporelle X à mémoire longue.
16 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :.
17 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles.
18 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles.
19 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles. Une basée sur la décroissance à l infini de la fonction γx.
20 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles. Une basée sur la décroissance à l infini de la fonction γx. Une basée sur le comportement de la densité spectrale f X de X en 0.
21 Paramètre de mémoire Soit X = (X l ) l Z une série temporelle stationnaire (centrée). Paramètre de mémoire =mesure du degré de longue dépendance d une série temporelle :. Définition basée sur les propriétés au second ordre de X. Deux définitions possibles. Une basée sur la décroissance à l infini de la fonction γx. Une basée sur le comportement de la densité spectrale f X de X en 0. Dans les bons cas, définitions équivalentes (théorèmes taubériens) mais pas toujours le cas.
22 Paramètre de mémoire Définition 1 X processus stationnaire, d < 1/2. d paramètre de mémoire de X au sens de la covariance si : γ X (h) L 1 (h)h 2d 1, quand h, où L 1 ( ) fonction à variation lente à l infini, i.e si pour tout a > 0, lim h L 1 (ah)/l 1 (h) = 1. X à mémoire longue si 0 < d < 1/2 et à mémoire courte si d < 0.
23 Paramètre de mémoire Exemple Prix du pétrole : Janvier 97 à Juin (Mostafei Sakhabakhash, Int.Journ.Acad.Res.(2011)).
24 Paramètre de mémoire Exemple Autocorrélogramme empirique. γ X (h) h 0.25 quand h, d 0.34.
25 Paramètre de mémoire Définition 2 X série temporelle stationnaire admettant une densité spectrale f X, d < 1/2. d paramètre de mémoire de X au sens de la densité spectrale si f X (λ) λ 2d L 2 (1/ λ ), quand λ 0, où L 2 ( ) est une fonction à variation lente à l infini. X à mémoire longue si 0 < d < 1/2 et à mémoire courte si d < 0.
26 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995).
27 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995). Classe qui comprend un grand nombre de modèles classiques (ARFIMA, FBM, FGN).
28 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995). Classe qui comprend un grand nombre de modèles classiques (ARFIMA, FBM, FGN). Modèles pertinents pour de nombreuses séries macro-économiques et financières.
29 Les M(d) processus Objectif estimation introduction d une classe générale de processus : les M(d) processus par Hurvich Ray (1995). Classe qui comprend un grand nombre de modèles classiques (ARFIMA, FBM, FGN). Modèles pertinents pour de nombreuses séries macro-économiques et financières. Deux cas à distinguer : séries temporelles stationnaires et séries temporelles à accroissements stationnaires d ordre K 1.
30 Estimation : les M(d) processus (cas stationnaire) X = (X l ) l Z série temporelle stationnaire admettant une densité spectrale f X, d < 1/2. X est un M(d) processus si f X (λ) = λ 2d f (λ), où f fonction paire, bornée et positive à l origine (L 2 Cte).
31 Estimation : les M(d) processus (cas stationnaire) X = (X l ) l Z série temporelle stationnaire admettant une densité spectrale f X, d < 1/2. X est un M(d) processus si f X (λ) = λ 2d f (λ), où f fonction paire, bornée et positive à l origine (L 2 Cte). Paramètre de mémoire de X =d.
32 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine.
33 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine. f X (λ) = 1 e iλ 2K f K X (λ) appelée densité spectrale généralisée de X.
34 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine. f X (λ) = 1 e iλ 2K f K X (λ) appelée densité spectrale généralisée de X. f X (λ) λ 2d quand λ 0.
35 Estimation : les M(d) processus (cas non stationnaire) K entier tel que K X stationnaire. X est un M(d) processus si f K X (λ) = 1 e iλ 2(d K) f (λ), où f fonction paire, bornée et positive à l origine. f X (λ) = 1 e iλ 2K f K X (λ) appelée densité spectrale généralisée de X. f X (λ) λ 2d quand λ 0. Paramètre de mémoire de X = d.
36 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte.
37 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte. Généralisation de ces modèles introduite par Granger Joyeux (1980) : modèles ARFIMA à mémoire longue.
38 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte. Généralisation de ces modèles introduite par Granger Joyeux (1980) : modèles ARFIMA à mémoire longue. d ( 1/2, 1/2), (p, q) N 2. (BX ) l = X l 1.
39 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Processus ARMA : mémoire courte. Généralisation de ces modèles introduite par Granger Joyeux (1980) : modèles ARFIMA à mémoire longue. d ( 1/2, 1/2), (p, q) N 2. (BX ) l = X l 1. (ξ l ) l Z bruit blanc de variance finie σ.
40 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) (X l ) l Z ARFIMA(p, d, q) si φ(b)x l = θ(b) d ξ l.
41 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) (X l ) l Z ARFIMA(p, d, q) si φ(b)x l = θ(b) d ξ l. d = (I B) d : opérateur d intégration fractionnaire.
42 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) (X l ) l Z ARFIMA(p, d, q) si φ(b)x l = θ(b) d ξ l. d = (I B) d : opérateur d intégration fractionnaire. φ(b) = 1 + φ 1 B + + φ p B p avec φ p 0, θ(b) = 1 + θ 1 B + + θ q B q avec θ q 0, φ(b),θ(b) pas de zeros en commun + racines en dehors du cercle unité.
43 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) 1000 observations simulées d un ARFIMA(1,d,0) (d = 0.4, φ 1 = 0.5, σ = 1). Fig.: (a) : correspond aux observations, (b) a l auto covariance empirique.
44 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Densité spectrale λ ( π, π), f X (λ) = σ2 2π 1 e iλ 2d θ(e iλ ) 2 φ(e iλ ) 2.
45 Premier exemple: les processus ARFIMA (Granger Joyeux, 1980 puis Hosking, 1981) Densité spectrale λ ( π, π), f X (λ) = σ2 2π 1 e iλ 2d θ(e iλ ) 2 φ(e iλ ) 2. Paramètre de mémoire = d.
46 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1).
47 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1). Densité spectrale généralisée : f BH (λ) = k Z λ + 2kπ 2H 1.
48 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1). Densité spectrale généralisée : f BH (λ) = k Z λ + 2kπ 2H 1. D où f BH (λ) = λ 2H 1 f (λ) avec f (λ) = 2 sin(λ/2) λ 2H sin(λ/2) 2H+1 k 0 λ+2kπ 2H 1.
49 Second exemple: le mouvement Brownien fractionnaire (FBM) {B H (k)} k Z version discrétisée du Mouvement Brownien Fractionnaire usuel (MBF) {B H (t)} t R d indice de Hurst H (0, 1). MBF à accroissements stationnaires (K = 1). Densité spectrale généralisée : f BH (λ) = k Z λ + 2kπ 2H 1. D où f BH (λ) = λ 2H 1 f (λ) avec f (λ) = 2 sin(λ/2) λ 2H sin(λ/2) 2H+1 k 0 Parametre de mémoire du MBF d indice de Hurst H : d = H + 1/2 (1/2, 3/2). λ+2kπ 2H 1.
50 Second exemple: le mouvement Brownien fractionnaire (FBM) Une trajectoire du MBF d indice de Hurst H sur [0, 1]. H = 0.3, 0.5, 0.8 (codes de J.F.Coeurjolly).
51 Approche Objectif : Estimation du paramètre de longue mémoire d une série temporelle.
52 Approche Objectif : Estimation du paramètre de longue mémoire d une série temporelle. Outil : la transformée en ondelettes discrète.
53 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R).
54 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R). Hypothèse : ψ a M moments nuls, ie t m ψ(t)dt = 0, m {0,, M 1}, t M ψ(t)dt 0. R R
55 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R). Hypothèse : ψ a M moments nuls, ie t m ψ(t)dt = 0, m {0,, M 1}, t M ψ(t)dt 0. R R Coefficients d ondelettes de F L 2 (R) W (F ) j,k = F (t)ψ j,k (t)dt, où ψ j,k (t) = 2 j/2 ψ(2 j t k). R pour tous (j, k) Z 2.
56 La transformée en ondelettes discrète Analyse multi résolution à support compact : deux fonctions à support compact ϕ, ψ de L 2 (R). Hypothèse : ψ a M moments nuls, ie t m ψ(t)dt = 0, m {0,, M 1}, t M ψ(t)dt 0. R R Coefficients d ondelettes de F L 2 (R) W (F ) j,k = F (t)ψ j,k (t)dt, où ψ j,k (t) = 2 j/2 ψ(2 j t k). R pour tous (j, k) Z 2. Dans L 2 (R), F = (j,k) Z 2 W (F ) j,k ψ j,k décomposition temps/fréquence de F.
57 La transformée en ondelettes discrète d une série temporelle x(t) = l X lϕ(t l).
58 La transformée en ondelettes discrète d une série temporelle x(t) = l X lϕ(t l). Coefficients d ondelettes de X W (X ) j,k = x(t)ψ j,k (t)dt = R l h j,2 j k lx l = (h j, X ) 2 j k, avec h j (m) = R φ(t + m)ψ j,0(t)dt.
59 La transformée en ondelettes discrète d une série temporelle x(t) = l X lϕ(t l). Coefficients d ondelettes de X W (X ) j,k = x(t)ψ j,k (t)dt = R l h j,2 j k lx l = (h j, X ) 2 j k, avec h j (m) = R φ(t + m)ψ j,0(t)dt. Fonction de transfert du filtre associé à la transformée en ondelettes discrète ĥ j (λ) = m h j (m)e imλ.
60 Propriétés de ĥj On a représenté λ 2 j/2 ĥ j (2 j λ) pour différentes valeurs de j. (ϕ, ψ sont les ondelettes de Daubechies).
61 Ondelettes et paramètre de mémoire : cas linéaire Un exemple Cas MBF {B H (t)} t R. Variance des coefficients d ondelettes liée à d = H + 1/2 : E[ W B H j,k 2 ] = C2 2j(H+1/2) = C2 2jd.
62 Ondelettes et paramètre de mémoire : cas linéaire Un exemple Si X série temporelle gaussienne ou linéaire, comportement asymptotique des coefficients d ondelettes similaire à celui du MBF.
63 Ondelettes et paramètre de mémoire : cas linéaire Un exemple Si X série temporelle gaussienne ou linéaire, comportement asymptotique des coefficients d ondelettes similaire à celui du MBF. Quand j E[ W X j,k 2 ] C(f (0), d)2 2jd.
64 Ondelettes et paramètre de mémoire : cas linéaire Construction d un estimateur Estimation du paramètre de longue mémoire : basée sur la variance empirique des coefficients d ondelettes S n,j = 1 n n 1 ( k=0 W (X ) j,k ) 2, où n 2 j N, N : nombre des observations.
65 Ondelettes et paramètre de mémoire : cas linéaire Construction d un estimateur Estimation du paramètre de longue mémoire : basée sur la variance empirique des coefficients d ondelettes S n,j = 1 n n 1 ( k=0 W (X ) j,k ) 2, où n 2 j N, N : nombre des observations. Résultat attendu S n,j E[ W X j,k 2 ] C(f (0), ψ)2 2jd.
66 Ondelettes et paramètre de mémoire : cas linéaire Construction d un estimateur (Abry Veicht, 1998) (w 0,, w U L ) poids tels que U L j=0 w j = 0, U L j=0 jw j = 1/(2 log(2)). On définit alors U d n,j = w j log(s n,j ). j=l
67 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Hypothèses : conditions sur M + décroissance en Fourier du filtre. S n,j estimateur consistant et asymptotiquement normal de E( W j,0 2 ).
68 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Hypothèses : conditions sur M + décroissance en Fourier du filtre. S n,j estimateur consistant et asymptotiquement normal de E( W j,0 2 ). dn,j estimateur consistant et asymptotiquement normal de d.
69 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon.
70 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal.
71 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal. Variance de l estimateur faible.
72 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal. Variance de l estimateur faible. Permet de traiter les cas non stationnaires sans prétraitement des données.
73 Ondelettes et paramètre de mémoire : cas linéaire Propriétés de l estimateur dans le cas gaussien/linéaire (Moulines Roueff Taqqu (2007), Roueff Taqqu (2009)) Bonnes propriétés de l estimation par ondelettes : Faible complexité numérique du calcul des coefficients d ondelettes d un échantillon. Estimation robuste. Taux de convergence optimal. Variance de l estimateur faible. Permet de traiter les cas non stationnaires sans prétraitement des données. Permet de gérer le cas où on a une tendance polynomiale.
74 Au delà des séries temporelles linéaires Objectif : cas de séries temporelles non linéaire de la forme G(X ) où G L 2 (R, e x2 /2 dx), X série temporelle gaussienne.
75 Au delà des séries temporelles linéaires Objectif : cas de séries temporelles non linéaire de la forme G(X ) où G L 2 (R, e x2 /2 dx), X série temporelle gaussienne. Même estimateur que dans le cas linéaire. Comportement asymptotique?
76 Au delà des séries temporelles linéaires Objectif : cas de séries temporelles non linéaire de la forme G(X ) où G L 2 (R, e x2 /2 dx), X série temporelle gaussienne. Même estimateur que dans le cas linéaire. Comportement asymptotique? Cas connu: processus de Rosenblatt (G H 2 ) (Bardet et Tudor, 2010).
77 Rappels de calcul stochastique (W (t)) processus de Wiener classique. W ([a, b]) = W (b) W (a). f S q si f = c i1,,i q 1 Ai1 A iq où c i1,,i q = 0 si i l = i k, ensembles A i B(R) supposés disjoints deux à deux.
78 Rappels de calcul stochastique (W (t)) processus de Wiener classique. W ([a, b]) = W (b) W (a). f S q si f = c i1,,i q 1 Ai1 A iq où c i1,,i q = 0 si i l = i k, ensembles A i B(R) supposés disjoints deux à deux. I q (f ) = f (x)dw (x 1 ) dw (x q ) = c i1,,i q W (A i1 ) W (A iq ) R q
79 Rappels de calcul stochastique (W (t)) processus de Wiener classique. W ([a, b]) = W (b) W (a). f S q si f = c i1,,i q 1 Ai1 A iq où c i1,,i q = 0 si i l = i k, ensembles A i B(R) supposés disjoints deux à deux. I q (f ) = f (x)dw (x 1 ) dw (x q ) = c i1,,i q W (A i1 ) W (A iq ) R q I q isométrie de S q dans L 2 (Ω) étendue à L 2 (R q ) par densité.
80 Décomposition en chaos de Wiener Ecriture unique pour tout X L 2 (Ω) X = + q=0 I q (f q ), où f q L 2 (R q, R) décomposition en chaos de Wiener de X.
81 Décomposition en chaos de Wiener Ecriture unique pour tout X L 2 (Ω) X = + q=0 I q (f q ), où f q L 2 (R q, R) décomposition en chaos de Wiener de X. Si X variable aléatoire gaussienne à valeurs dans le premier chaos de Wiener, : X = I 1 (f 1 ), f 1 L 2 (R).
82 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt d indice de Hurst H (1/2, 1) Z H (t) = t t 0 où y R 2 L H (y; t) = 1 [0,t] 2(y) y 1 y 2 0 L H (y 1, y 2 ; t)dw (y 1 )dw (y 2 ) = I 2 (L H (y 1, y 2 ; t)), 2 ( (yi i=1 u ) 1/2 H (u yi ) H 3/2 ) du.
83 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt d indice de Hurst H (1/2, 1) Z H (t) = t t 0 où y R 2 L H (y; t) = 1 [0,t] 2(y) y 1 y 2 0 L H (y 1, y 2 ; t)dw (y 1 )dw (y 2 ) = I 2 (L H (y 1, y 2 ; t)), 2 ( (yi i=1 u ) 1/2 H (u yi ) H 3/2 ) du. Propriétés principales : autosimilaire d exposant H, à accroissements stationnaires + mêmes moments d ordre 1 et 2 qu un MBF d indice de Hurst H.
84 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt d indice de Hurst H (1/2, 1) Z H (t) = t t 0 où y R 2 L H (y; t) = 1 [0,t] 2(y) y 1 y 2 0 L H (y 1, y 2 ; t)dw (y 1 )dw (y 2 ) = I 2 (L H (y 1, y 2 ; t)), 2 ( (yi i=1 u ) 1/2 H (u yi ) H 3/2 ) du. Propriétés principales : autosimilaire d exposant H, à accroissements stationnaires + mêmes moments d ordre 1 et 2 qu un MBF d indice de Hurst H. Paramètre de longue mémoire : d = H + 1/2.
85 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt à valeurs dans le chaos d ordre 2.
86 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt à valeurs dans le chaos d ordre 2. Coefficients d ondelettes du processus de Rosenblatt W Z j,k = I 2(f j,k ).
87 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Processus de Rosenblatt à valeurs dans le chaos d ordre 2. Coefficients d ondelettes du processus de Rosenblatt W Z j,k = I 2(f j,k ). Décomposition en chaos Wiener de la variance empirique déduite de la formule d Ito I 2 (f )I 2 (g) = I 4 (f g) + I 2 (f 1 g) + E[I 2 (f )I 2 (g)], où (f 1 g)(t 1, t 2 ) = R f (t 1, s)g(t 2, s)ds.
88 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Décomposition en chaos de Wiener de la variance empirique où T (0) n,j S n,j = T (4) n,j + T (2) n,j + T (0) j,n, = E(S n,j ) = E( W j,0 2 ) : terme déterministe, T (2) n,j = 1/n k I 2(f j,k 1 f j,k ) : terme dans le chaos d ordre 2, T (4) n,j = 1/n k I 4(f j,k f j,k ) : terme dans le chaos d ordre 4.
89 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Hypothèse :M > 1.
90 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Hypothèse :M > 1. Terme T (2) n,j asymptotiquement Rosenblatt : quand j, n n 3/2 d 2 2jd T (2) n,j = n 1 H 2 j(2h+1) T (2) fidi n,j R 1 (H). où R 1 (H) variable de Rosenblatt.
91 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Hypothèse :M > 1. Terme T (2) n,j asymptotiquement Rosenblatt : quand j, n n 3/2 d 2 2jd T (2) n,j = n 1 H 2 j(2h+1) T (2) fidi n,j R 1 (H). où R 1 (H) variable de Rosenblatt. Terme T (4) n,j asymptotiquement négligeable par rapport à T (2) n,j. Quand j, n ( ) ( ) lim n jd E[ T (4) n,j n,j 2 ] 1 2 = lim n j(2h+1) E[ T (4) n,j n,j 2 ] 1 2 < +.
92 Le cas du processus de Rosenblatt (Bardet Tudor, 2010) Théorème Hypothèses: M > 1+lien entre n et 2 j. Quand n + et n 1 H 2 2jd (S n,j E[S n,j ]) fidi R 1 (H) n 1 H (log(s n,j )/(j log(2)) d) fidi R 2 (H) où R 1 (H), R 2 (H) deux variables de Rosenblatt.
93 Un cas non linéaire plus général Généralisation au cas de séries temporelles non linéaires. {Y (l)} l Z telle que pour un certain K N K Y = G(X ) où X = (X l ) l série temporelle gaussienne stationnaire de paramètre de longue dépendance d et G L 2 (R, e x2 /2 dx).
94 Un cas non linéaire plus général G L 2 (R, e x2 /2 dx), décomposition en série d Hermite de G : G = c q q! H q, q où q c2 q/q! < +, H q q-ième polynôme d Hermite.
95 Un cas non linéaire plus général G L 2 (R, e x2 /2 dx), décomposition en série d Hermite de G : G = c q q! H q, q où q c2 q/q! < +, H q q-ième polynôme d Hermite. Rang d Hermite de G q 0 = min{q, c q 0}.
96 Un cas non linéaire plus général G L 2 (R, e x2 /2 dx), décomposition en série d Hermite de G : G = c q q! H q, q où q c2 q/q! < +, H q q-ième polynôme d Hermite. Rang d Hermite de G q 0 = min{q, c q 0}. Point clé : on doit gérer des sommes infinies.
97 Hypothèses δ(q) = qd + (1 q)/2 : paramètre de longue mémoire de (H q (X l )) l.
98 Hypothèses δ(q) = qd + (1 q)/2 : paramètre de longue mémoire de (H q (X l )) l. Hypothèses : d > 1/4, q 0 2, pour tout λ > 0, c q = o(e λq ).
99 Résultat principal q 1 = min{q, c q c q+1 0} (q 1 = + si {q, c q c q+1 0} = ). 1. Si q 1 = + ou n2 j(2q 0 2q 1 1) 0 quand j, n ( n 1 2d 2 2j(δ(q 0)+K) ( S n,j+m E( W j+m,0 2 ) )) fidi (R m ) m Z m Z où R m variable de Rosenblatt. 2. Si q 1 < 1/(1 2d) et n2 j(2q 0 2q 1 1) quand j, n (n ( 1 2d 2 2 j(δ(q 1)+δ(q 1 +1)+2K) S n,j+m E W j+m,0 2)) fidi (G m ) m m Z où G m variable aléatoire gaussienne. 3. Si q 1 < 1/(1 2d) et n2 j(2q 0 2q 1 1) C 0 > 0, quand j, n, S n,j asymptotiquement combinaison d une variable de Rosenblatt et d une variable gaussienne.
100 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux.
101 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux. Comportement asymptotique du scalogramme lié au rang d Hermite de G mais aussi à un autre indice q 1.
102 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux. Comportement asymptotique du scalogramme lié au rang d Hermite de G mais aussi à un autre indice q 1. Quantité n2 j(2q 0 2q 1 1) : moyen pour comparer les deux renormalisations possibles.
103 Comportement asymptotique de la variance empirique Commentaires Trois comportements possibles : S n,j asymptotiquement gaussienne ou asymptotiquement Rosenblatt ou une combinaison des deux. Comportement asymptotique du scalogramme lié au rang d Hermite de G mais aussi à un autre indice q 1. Quantité n2 j(2q 0 2q 1 1) : moyen pour comparer les deux renormalisations possibles. Cas q 0 = 1 à part (travail en cours).
104 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +.
105 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +. Premier cas du théorème. Quand n, j, S n,j asymptotiquement Rosenblatt.
106 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +. Premier cas du théorème. Quand n, j, S n,j asymptotiquement Rosenblatt. Cas q 0 = 1: notre théorème ne peut être appliqué. Scalogramme S n,j asymptotiquement gaussien (connu).
107 Comportement asymptotique de la variance empirique Exemple 1 : G = H q0 avec d > 1/4 et q 0 2 Rang d Hermite q 0, q 1 = +. Premier cas du théorème. Quand n, j, S n,j asymptotiquement Rosenblatt. Cas q 0 = 1: notre théorème ne peut être appliqué. Scalogramme S n,j asymptotiquement gaussien (connu). Cas q 0 = 2 : processus de Rosenblatt.
108 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0.
109 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0. Comportement asymptotique de S n,j depend de la limite de 2 j n, quand j, n.
110 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0. Comportement asymptotique de S n,j depend de la limite de 2 j n, quand j, n. Coefficients d ondelettes de Y : W j,k = W (q 0) j,k + W (q 0+1) j,k, où W (q 0) j,k, W (q 0+1) j,k dans chaos d ordre q 0 et q
111 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Rang d Hermite de G : q 0, q 1 = q 0. Comportement asymptotique de S n,j depend de la limite de 2 j n, quand j, n. Coefficients d ondelettes de Y : W j,k = W (q 0) j,k + W (q 0+1) j,k, où W (q 0) j,k, W (q 0+1) j,k dans chaos d ordre q 0 et q ( Wj,k 2 = [W (q 0) j,k ]2 + [W (q 0+1) j,k ] 2) ( ) + 2W (q 0) j,k W (q 0+1) j,k.
112 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt.
113 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt. Terme [W (q 0+1) j,k ] 2 asymptotiquement négligeable.
114 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt. Terme [W (q 0+1) j,k ] 2 asymptotiquement négligeable. Terme W (q 0) j,k W (q 0+1) j,k asymptotiquement gaussien.
115 Comportement asymptotique de la variance empirique Exemple 2 : G = H q0 + H q0 +1 avec d > 1/4 et q 0 2 Terme [W (q 0) j,k ]2 : se comporte comme dans le cas G = H q0, asymptotiquement Rosenblatt. Terme [W (q 0+1) j,k ] 2 asymptotiquement négligeable. Terme W (q 0) j,k W (q 0+1) j,k asymptotiquement gaussien. Les trois cas envisagés dans le théorème peuvent se produire.
116 Travail en cours Cas q 0 = 1 à faire.
117 Travail en cours Cas q 0 = 1 à faire. Quatre termes à comparer : deux termes gaussiens, un terme dans le chaos d ordre 2 et un terme qui vit dans le chaos d ordre q m0 1 où q m0 = inf {q, q 1 2 et c q c 1 0}.
118 Travail en cours Cas q 0 = 1 à faire. Quatre termes à comparer : deux termes gaussiens, un terme dans le chaos d ordre 2 et un terme qui vit dans le chaos d ordre q m0 1 où q m0 = inf {q, q 1 2 et c q c 1 0}. Variance empirique peut donc être asymptotiquement dans un chaos d ordre supérieur à 2.
119 Bibliographie P.Flandrin.On the spectrum of FBM. IEEE Trans.Inf.Theory IT 35/ (1989) J.M. Bardet and C. Tudor. A wavelet analysis of the Rosenblatt process: chaos expansion and estimation of the self-similarity parameter. To appear in Stoch.Proc.Appl.(2010). M.Clausel, F.Roueff, M.S.Taqqu, C. Tudor. Large scale behavior of wavelet coefficients of non-linear subordinated processes with long memory. Submitted. M.Clausel, F.Roueff, M.S.Taqqu, C. Tudor. Asymptotic behavior of the scalogram of a non linear time series. In preparation.
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 détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailTests 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 détailÉquation 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 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 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 détailTests 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 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 détailModèle 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en 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 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 détailChapitre 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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailProgrammes 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 détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
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 détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailChapitre 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
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 détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en 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 détailContents. 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 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 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 détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
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 détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailCONCOURS 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 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 détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailÉconometrie 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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en 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 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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailIntroduction 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 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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
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 détailModèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions.
Problèmes mathématiques de la mécanique/mathematical problems in Mechanics Modèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions. Cristinel Mardare Laboratoire
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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en 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 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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en 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 détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
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 détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
Plus en détailData first, ou comment piloter l analyse par les données
CNRS & Patrick Flandrin École Normale Supérieure de Lyon Data first, ou comment piloter l analyse par les données M2 de Physique Cours 2012-2013 1 Table des matières 1 Introduction 4 2 Rappel sur les analyses
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailHÖLDER CONTINUITY AND WAVELETS
Laurent SIMONS HÖLDER CONTINUITY AND WAVELETS Dissertation présentée en vue de l obtention du grade de Docteur en Sciences Promoteurs : Françoise BASTIN Samuel NICOLAY 24 Juin 2015 Plan Partie I Continuité
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détail