Modèles GARCH et à volatilité stochastique Université de Montréal 14 mars 2007
|
|
- Salomé Legaré
- il y a 8 ans
- Total affichages :
Transcription
1 Université de Montréal 14 mars 2007 Christian FRANCQ GREMARS-EQUIPPE, Université Lille 3 Propriétés statistiques des modèles GARCH
2 Outline 1 Identification 2
3 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH 1 Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH 2
4 Identification d un ARMA-GARCH Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH P Q X t a i X t i = ǫ t b i ǫ t i i=1 i=1 q p ǫ t = σ t η t, σt 2 = ω + α i ǫ 2 t i + β j σt j 2 i=1 j=1 Absence d autocorrélation? P et Q. Effet ARCH? Identification des ordres GARCH p et q.
5 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Outils pour l identification i) Corrélogrammes de X 1,...,X n ou de ˆǫ 2 1,..., ˆǫ2 n : (ǫ2 t ) suit un ARMA(p q,p); ii) Tests portmanteau, tests d effet ARCH; iii) Méthode du coin, epsilon-algorithme,...; iv) Critères d information (AIC, BIC,...); v) Test de significativité de coefficients ; vi) Analyse de résidus.
6 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Vérification de l absence d autocorrélation : ǫ t = X t ˆρ(h) Fig.: Autocorrelations de l indice S&P (en pointillé ±1.96/ n, avec n = 5804). h Si (ǫ t ) bruit blanc iid nˆρ(h) L N (0,1), pour tout h 0. ˆρ(h) = ˆγ(h) ˆγ(0), n h ˆγ(h) = n 1 t=1 ǫ t ǫ t+ h
7 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Autocorrélations empiriques d un GARCH ˆγ m = (ˆγ(1),..., ˆγ(m)), ˆρ m = (ˆρ(1),..., ˆρ(m)) Si Eǫ 4 t < alors nˆγm L N (0,Σˆγm ) et où nˆρm L N ( 0,Σˆρm := γ(0) 2 Σˆγm ), Σˆγm = ( Eǫ 2 t ǫ t iǫ t j ). Remarque : Σˆρm est diagonale lorsque la loi de η t est symétrique.
8 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Exemple : ARCH (1) On a, si µ 4 α 2 < 1, D où Eǫ 2 t = ω 1 α, Eǫ2 tǫ 2 t 1 = n 1/2ˆρ(1) L N ω 2 (1 + αµ 4 ) (1 µ 4 α 2 )(1 α) { 0, (1 α)(1 + αµ } 4) (1 µ 4 α 2. ) La variance asymptotique est plus grande que pour un bruit indépendant : 1 + α(µ 4 1) (1 µ 4 α 2 ) > 1. Cependant, l écart diminue avec h : Eǫ 2 t ǫ2 t h γ 2 (0) 1 = α(eǫ 2 t ǫ2 t (h 1) γ 2 (0) 1)
9 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Ne pas faire confiance aux bandes de confiance { ǫt = σ t η t, η t N(0,1) σ 2 t = ǫ2 t σ2 t Fig.: Autocorrélations empiriques d une simulation d un bruit blanc fort (graphe de gauche) et du GARCH(1,1) (graphe de droite).
10 Estimations des limites de significativité Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Fig.: Corrélogramme d une simulation de taille n = 5000 d un GARCH(1,1).
11 Tests portmanteau Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Q m = nˆρ mˆσ 1 L ˆρ m ˆρ m χ 2 m et Q r m = nˆr mˆσ 1 L ˆρ mˆr m χ 2 m m mais := n ˆρ 2 L (i) χ 2 m, Q BP m i=1 Q LB m := n(n + 2) Q r,bp m := n m ˆρ 2 L (i)/(n i) χ 2 m, i=1 m ˆr 2 L (i) χ 2 m i=1 où ˆr m = (ˆr(1),..., ˆr(m)) : vecteur d autocorrélations partielles
12 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Tab.: Tests portmanteau sur une simulation de taille n = 5000 d un GARCH(1,1). Tests de bruit GARCH basés sur Q m m ˆρ(m) ˆσˆρ(m) Q m P(χ 2 m > Q m) Tests usuels, pour hypothèse de bruit blanc fort m ˆρ(m) ˆσˆρ(m) Q LB m P(χ 2 m > Q LB m )
13 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Tab.: Comme le tableau précédent, mais pour des tests fondés sur les autocorrélations partielles à la place des autocorrélations. Tests de bruit GARCH basés sur Q r m m ˆr(m) ˆσˆr(m) Q r m P(χ 2 m > Qr m ) Tests de bruit blanc fort basés sur Q r,lb m m ˆr(m) ˆσˆr(m) Q r,lb m P(χ 2 m > Q r,lb m )
14 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH X t = η t η t η t 2, η t iid N(0,1). Tab.: Tests portmanteau de GARCH pur, sur une simulation de taille n = 100 d une MA(2) Tests de bruit GARCH fondés sur les autocorrélations m Q m P(χ 2 m > Q m) Tests de bruit GARCH fondés sur les autocorrélations partielles m Q r m P(χ 2 m > Q r m)
15 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH X t = η t η t η t 2, η t iid N(0,1). Tab.: Tests portmanteau de bruit blanc fort, sur une simulation de taille n = 100 d une MA(2) Tests de bruit blanc fort fondés sur les autocorrélations m Q LB m P(χ 2 m > Q LB m ) Tests de bruit blanc fort fondés sur les autocorrélations partielles m Q r,bp m P(χ 2 m > Qr,BP m )
16 Test LM d effet ARCH Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Cas GARCH pur (P = Q = 0). H 0 : p = q = 0 Corrélogrammes des carrés ǫ 2 t + tests portmanteau; Test LM. Le test du multiplicateur de Lagrange (ou du score, ou de Rao) : ǫ 2 t = β 0 + β 1 ǫ 2 t β qǫ 2 t q + u t LM := nr 2 χ 2 q sous H 0
17 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH X t ARMA(P,Q) et Eǫ 4 t < (i.e. EX 4 t < ) MA(Q) ρ X (h) = 0 pour tout h > Q, AR(P) r X (h) = 0 pour tout h > P. Formule de Bartlett généralisée Si Eǫ t1 ǫ t2 ǫ t3 ǫ t4 = 0 quand t 1 t 2, t 1 t 3 et t 1 t 4 alors lim ncov {ˆρ(i), ˆρ(j)} = v ij + v n ij, où v i,j = ϕ {ρ X ( )} (formule de Bartlett usuelle) v i,j = ϕ {ρ X ( ),ρ ǫ 2( ),η ǫ := Kur(ǫ t )}.
18 Expressions explicites : Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH v ij = ρ X (l)[2ρ X (i)ρ X (j)ρ X (l) 2ρ X (i)ρ X (l + j) l= 2ρ X (j)ρ X (l + i) + ρ X (l + j i) + ρ X (l j i)], vij = +(η ǫ 1) ρ ǫ 2(l) [ 2ρ X (i)ρ X (j)ρ 2 X (l) 2ρ X(j)ρ X (l)ρ X (l + i) l= 2ρ X (i)ρ X (l)ρ X (l + j) + ρ X (l + i) {ρ X (l + j) + ρ X (l j)}].
19 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Algorithme pour estimer les v ij et v ij : L algorithme suivant est rapide quand on utilise l algorithme de Durbin-Levinson pour ajuster les modèles AR. i) On ajuste un AR(p 0 ) à la série X 1,...,X n en utilisant un critère d information pour sélectionner l ordre p 0 ; ii) On calcule les ACRT ρ 1 (h), de ce modèle AR(p 0 ); iii) On calcule les résidus e p0 +1,...,e n du modèle AR(p 0 ); iv) On ajuste un AR(p 1 ) à la série e 2 p 0 +1,...,e2 n en utilisant un critère d information pour sélectionner p 1 ; v) On calcule les ACRT ρ 2 (h), de ce modèle AR(p 1 ); vi) On estime lim n ncov {ˆρ(i), ˆρ(j)} par ˆv ij + ˆv ij, où
20 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH ˆv ij = l max l= l max ρ 1 (l)[2ρ 1 (i)ρ 1 (j)ρ 1 (l) 2ρ 1 (i)ρ 1 (l + j) 2ρ 1 (j)ρ 1 (l + i) + ρ 1 (l + j i) + ρ 1 (l j i)], ˆv ij = ˆγ ǫ 2(0) ˆγ 2 ǫ (0) lmax [ ρ 2 (l) 2ρ1 (i)ρ 1 (j)ρ 2 1 (l) 2ρ 1(j)ρ 1 (l)ρ 1 (l + i) l= l max 2ρ 1 (i)ρ 1 (l)ρ 1 (l + j) + ρ 1 (l + i) {ρ 1 (l + j) + ρ 1 (l j)}], l max : paramètre de troncation déterminé numériquement de sorte que ρ 1 (l) et ρ 2 (l) soient inférieurs à une certaine tolérance (ex ) pour tout l > l max.
21 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH ARMA(2,1)-GARCH(1,1) X t 0.8X t X t 2 = ǫ t 0.8ǫ t 1 ǫ t = σ t η t, η t iid N(0,1) σt 2 = ǫ 2 t σ2 t Fig.: Corrélogramme (graphe de gauche) et corrélogramme partiel (graphe de droite) : bandes de confiance à 95% pour n = 1000.
22 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH ARMA(2,1)-GARCH(1,1) X t 0.8X t X t 2 = ǫ t 0.8ǫ t 1 ǫ t = σ t η t, η t iid N(0,1) σt 2 = ǫ2 t σ2 t h 20 h Fig.: Autocorrélations et autocorrélations partielles empiriques d une simulation de taille n = Les traits en pointillé estiment les bandes de confiance à 95%.
23 Méthode du coin Identification Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH (l,k) = det[ρ X (l + i j)] 1 i k,1 j k ARMA(P, Q) minimal si et seulement si (i,j) = 0 i > Q et j > P, (i,p) 0 i Q, (Q,j) 0 j P. i\j Q Q ρ 1 ρ 2... ρ q ρ q P P
24 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Valeurs studentisées t(i, j) = n ˆ (i,j) ˆσˆ (i,j) Sur une simulation de taille n = 1000 d un ARMA(2,1)-GARCH(1,1).p..q
25 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Identification d un GARCH pur : ǫ 2 t ARMA(p q, p) Sur une simulation de taille n = 5000 du GARCH(2,1) σ 2 t = ǫ 2 t σ 2 t σ 2 t 2.max(p,q)..p
26 Test de bruit blanc faible Test d homoscédaticité conditionnelle Identification des ordres GARCH Identification de p et q pour un ARMA-GARCH ˆǫ 2 t ǫ 2 t Sur une simulation de taille n = 1000 du ARMA(2,1)-GARCH(1,1).max(p,q)..p
27 1 Identification 2
28 Estimation par MCO de modèles ARCH(q) ARCH(q) : u t = ǫ 2 t σ2 t = (η2 t 1)σ2 t différence de martingale Représentation AR semi-forte q ǫ 2 t = ω 0 + α 0i ǫ 2 t i + u t, t = 1,...,n i=1 où Y = Xθ 0 + U, Y = (ǫ 2 1,...,ǫ2 n ), θ 0 = (ω 0,α 01,...,α 0q ). ˆθ n = (X X) 1 X Y
29 Convergence des MCO Si Eǫ 8 t < + hypothèses de régularité n (ˆθ n θ 0 ) L N(0, (κη 1)A 1 BA 1 ) où A = E θ0 (Z t 1 Z t 1 ), B = E θ 0 (σ 4 t Z t 1Z t 1 ), Z t 1 = ( 1,ǫ 2 t 1,...,ǫ2 t q). ( ω = 1, α = 0.1 ) ( ω = 1, α = 0.2 ) ( ω = 1, α = 0.3 ) Tab.: Matrice de variance asymptotique des MCO dans le cas ARCH(1)
30 Estimation par MCG Identification Afin de tenir compte de l hétéroscédasticité conditionnelle on définit l estimateur des moindres carrés pondérés θ = ( X X) 1 X Ỹ. (1) où X = σ 2 1 (ˆθ) ǫ ǫ 2 q+1. σn 2 (ˆθ) ǫ 2 n 1... ǫ 2 n q, Ỹ = ǫ 2 1. ǫ 2 n. Si Eǫ 8 t < + hypothèses de régularité n ( θn θ 0 ) L N(0, (κη 1)J 1 ), J = E(σt 4 Z t 1 Z t 1).
31 Quasi-Maximum de Vraisemblance Un estimateur QMV de θ = (θ 1,...,θ p+q+1 ) = (ω,α 1,...,α q,β 1,...,β p ) est une solution mesurable ˆθ n de ˆθ n = arg min ln (θ), θ Θ où ln (θ) = n 1 n t=1 l t, et lt = l t (θ) = ǫ2 t σ 2 t + log σ 2 t.
32 Convergence : Identification A θ (z) = q i=1 α iz i, B θ (z) = 1 p j=1 β jz j. A1 : θ 0 Θ [ω, ) [0, ) p+q et Θ compact. A2 : γ(a 0 ) < 0 et θ Θ, p j=1 β j < 1. A3 : A4 : η 2 t a une distribution non dégénérée. si p > 0, A θ0 (z) et B θ0 (z) n ont pas de racine commune, A θ0 (1) 0, et α 0q + β 0p 0. Convergence Sous A1-A4, l estimateur QMV est fortement convergent : ˆθ n θ 0 p.s.
33 Normalité asymptotique : A5 : κ η := Eηt 4 <. A6 : θ 0 Θ, où Θ désigne l intérieur Θ. Normalité asymptotique Sous A1-A6, n(ˆθn θ 0 ) D N { 0,(κ η 1)J 1}, où ( 2 ) ( l t (θ 0 ) 1 J := E θ0 θ θ = E θ0 σt 4(θ 0) σ 2 t (θ 0) θ σt 2(θ ) 0) θ.
34 Exemple : le cas ARCH(1) ( ω = 1, α = 0.1 ) ( ω = 1, α = 0.5 ) ( ω = 1, α = 0.95 ) Tab.: Matrice de variance asymptotique du QMV dans le cas ARCH(1)
35 Expériences de simulation n α n RMSE(α) {Var as [ n(ˆα n α 0 )]} 1/2 / n ˆP[ˆα n 1] Tab.: Comparaison de la loi asymptotique et de la loi empirique de l estimateur de α 0, pour 1000 simulations d un ARCH(1), ω 0 = 0.2, α 0 = 0.9.
36 Problème cette théorie ne marche pas lorsque certains coefficients GARCH sont nuls q p σ t 2 (θ) = ω + α i ǫ 2 t i + β j σ t j(θ) 2 0 i=1 j=1 contraintes sur Θ α 0i = 0 ou β 0j = 0 θ 0 Θ Ce n est pas le cas pour les ARMA
37 Quand le paramètre est sur le bord (coefficients nuls) : La loi asymptotique n est pas normale Quand θ 0 (i) = 0, } n {ˆθ(i) θ0 (i) 0 p.s., n. La matrice d information J = E θ0 ( 1 σ 4 t (θ 0) σ 2 t (θ 0 ) θ σt 2 ) (θ 0 ) θ peut ne pas exister sans conditions de moments supplémentaires.
38 Loi asymptotique Λ = lim n(θ θ0 ) = Λ 1 Λ p+q+1, n Λ i = R si θ 0i 0, Λ i = [0, ) si θ 0i = 0. Comportement asymptotique du QMV Sous des hypothèses de régularité, n(ˆθn θ 0 ) D λ Λ où λ Λ := arg inf λ Λ {λ Z} J {λ Z}, avec Z N ( 0,(κ η 1)J 1).
39 Exemple 1 : Un seul coefficient est nul θ 0 = (θ 01,θ 02,...,θ 0,p+q,0) Λ = R p+q [0, ), γ i = E(Z p+q+1z i ) Var(Z p+q+1 ) n(ˆθn θ 0 ) N λ Λ = Z 1 γ 1 Z p+q+1. Z p+q γ p+q Z p+q+1 Z + p+q+1
40 Modèle ARCH(1) ajusté à un bruit : θ 0 = (ω 0, 0) Fig.: Distribution asymptotique de n(ˆω n ω 0 ) Fig.: Distribution asymptotique de nˆα n
41 Exemple 2 : Aucun effet GARCH ARCH(q) avec θ 0 = (ω 0,0,...,0). Λ = R [0, ) q et Z N { ( 0,(κ η 1)J 1 (κη + 1)ω = 0 2 ω 0 e ω 0 e I q )}. n(ˆθn θ 0 ) L λ Λ = Z 1 + ω 0 (Z Z q+1 ) Z + 2. Z + q+1.
42 Test de nullité de certains coefficients θ 0 = (θ (1) 0,θ(2) 0 ), θ (i) R d i, d 1 + d 2 = p + q + 1. Hypothèse nulle : H 0 : θ (2) 0 = 0 Hypothèse maintenue : θ (1) 0 > 0 (+ A1 A5, A7 et A8 ou A9)
43 Statistiques de test : W n = n (2) ˆθ n ˆκ η 1 Identification { KĴn 1 K } 1 ˆθ(2) n Wald, ) ) n l n (ˆθ n 2 l n (ˆθ n 2 R n = ˆκ η 1 θ Ĵ 1 n 2 M. Lagrange (Rao, score) θ { } L n = 2 log L n (ˆθ) log L n (ˆθ n 2 ) Quasi rapport de vrais., ˆθ n 2 : estimateur contraint de θ 0 et K = ( I d1, 0 d1 d 2 ). Région critiques usuelles au niveau asymptotique α : {W n > χ 2 d 2 (1 α)}, {R n > χ 2 d 2 (1 α)}, {L n > χ 2 d 2 (1 α)}.
44 Distributions sous la nulle : Sous H 0 et les hypothèses précédentes W n L W = λ Λ Ωλ Λ, R n L χ 2 d2, L n L L = 1 2 Ω = K { (κ η 1)KJ 1 K } 1 K. { } inf Z Kλ 0 λ 2 J inf Z Kλ=0 λ 2 J.
45 Le comportement asymptotique du test de Rao est très différent de celui des 2 autres tests. Sous H 0 et sous des alternatives locales o P (1) W n = 2 ˆκ η 1 L n.
46 Exemple 1 : Tester qu un coefficient est nul. H 0 : α 0i = 0 (ou H 0 : β 0j = 0) W = 2 κ η 1 L = U2 1l U δ χ2 1 où U N(0,1). Les tests { } 2 {W n > χ 2 1 (1 2α)} ˆκ η 1 L n > χ 2 1 (1 2α) ont même niveau asymptotique α (pour α 1/2). Le test standard {W n > χ 2 1 (1 α)} a le niveau asymptotique α/2.
47 Fig.: Puissance locale asymptotique du test de Wald (trait plein) et du test du score (en pointillé) pour tester qu un coefficient GARCH est nul.
48 Exemple 2 : Tester l homoscédasticité contre un ARCH(q). H 0 : α 01 = = α 0q = 0 Le test du score est très simple : R n n R 2 où R 2 est le coefficient de détermination dans la régression de ǫ 2 t sur c et ǫ2 t 1,...,ǫ2 t q. Le test de Wald est aussi très simple : W n n q ˆα 2 i. i=1
49 Comparaison empirique des puissances Tab.: Pourcentage de rejet de l hypothèse d homoscédasticité conditionnelle. Le nombre de répliques est N = 5000, le niveau nominal est 5%, le DGP est ARCH(q) avec α i = n 1/2. q n = 500 n = 1000 n = W n R n L n W n R n L n W n R n L n
50 En résumé Pour les modèles GARCH, convergence and normalité asymptotique peuvent être obtenus sans hypothèse de moment sur ǫ t. On a besoin de θ 0 Θ pour la normalité asymptotique. Quand θ 0 / Θ, la loi asymptotique n est pas normale, mais c est la projection d un vecteur gaussien sur un cône convexe. Pour tester H 0 : ǫ t GARCH(p 0,q 0 ) contre H 1 : ǫ t GARCH(p,q) avec (p,q) > (p 0,q 0 ) la loi asymptotique de la statistique de Wald ou du rapport de vraisemblance n est pas χ 2, asymptotiquement, le test du score n est pas affectée par des coefficients nuls sous H 0.
51 Le test de Wald modifié d homoscédasticité conditionnelle { } ( q n ˆα 2 i > c 1 q ( ) ) q 1 q,α, P 2 q δ 0 + i 2 q χ2 i > c q,α = α, i=1 i=1 semble attractif pour sa simplicité et ses performances.
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en 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 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 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 détailMASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance
MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en 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 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 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 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 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 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 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 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 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 détailLa théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise?
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 62 2001 La théorie des anticipations de la structure par terme permet-elle de rendre compte de l évolution des taux d intérêt sur euro-devise? Éric JONDEAU * RÉSUMÉ.
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 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 détailAnalyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 46 1997 Analyse de la relation entre primes de terme et prime de change dans un cadre d équilibre international Hubert de LA BRUSLERIE, Jean MATHIS * RÉSUMÉ. Cet
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 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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en 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 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 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 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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
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 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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
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 détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
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 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 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 détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
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 détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
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 détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en 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 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 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 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 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailIntroduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales
Introduction à l économétrie : Spécifications, formes fonctionnelles, hétéroscédasticité et variables instrumentales Pierre Thomas Léger IEA, HEC Montréal 2013 Table des matières 1 Introduction 2 2 Spécifications
Plus en détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
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 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en 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 détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en 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 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 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 détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en 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 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 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailModèles Estimés sur Données de Panel
Modèles Estimés sur Données de Panel Introduction Il est fréquent en économétrie qu on ait à composer avec des données à deux dimensions : - une dimension chronologique - une dimension spatiale Par exemple,
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailPeut-on encore stabiliser les prix des matières premières?
DEA Analyse et Politique Économiques École des Hautes Études en Sciences Sociales, Paris Peut-on encore stabiliser les prix des matières premières? Étude d un mécanisme de lissage par moyenne mobile Sébastien
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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 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 détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détail