Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
|
|
- Isabelle Latour
- il y a 8 ans
- Total affichages :
Transcription
1 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 Rennes Séminaire Strasbourg
2 Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
3 Introduction Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
4 Introduction Soit (U, X ) où U variable aléatoire réelle et X fonction aléatoire de carré intégrable Soit (U 1, X 1 ),..., (U n, X n ) un échantillon i.i.d. de (U, X )
5 Introduction L hypothèse nulle : H 0 : E (U X ) = 0 almost surely (a.s.) (1) L alternative : P[E (U X ) = 0] < 1. deux cas : U est directement observé U n est pas observé, il est estimé comme résidu du modèle linéaire fonctionel.
6 Introduction Notations S p = {γ R p : γ = 1} L 2 [0, 1] est muni de son produit scalaire usuel,. R = {ρ 1, ρ 2, } base orthonormée de L 2 [0, 1]. X (t) = j=1 x jρ j (t) et X (p) (t) = p j=1 x jρ j (t).
7 lemme fondamental Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
8 lemme fondamental lemme 1 partie A Soit X L 2 [0, 1] et Z R des variables aléatoires. Supposons que E Z < et E(Z) = 0. (A) Il y a équivalence entre : 1 E(Z X ) = 0 a.s. 2 E(Z X, β ) = 0 a.s. β L 2 [0, 1] avec β L 2 = 1. 3 pour tout entier p 1, E(Z X, γ ) = 0 a.s. γ S p. 4 pour tout entier p 1, E(Z X (p) ) = 0 a.s.
9 lemme fondamental lemme 1 partie B (B) On suppose de plus que pour tout s 0, E( Z exp{s X }) <. (2) Si P[E(Z X ) = 0] < 1, alors il existe un entier positif p 0 1 tel que pour tout entier p > p 0, l ensemble {γ S p : E(Z X, γ ) = 0 a.s. } a pour mesure de Lebesgue zéro sur S p et n est pas dense.
10 lemme fondamental Corollaire les assertions suivantes sont équivalentes : 1 L hypothèse nulle (1) est vraie. 2 max E [UE (U X, β ) ω(β, X, β )] = 0. (3) β L 2 [0,1], β L 2=1 3 pour tout p 1 et tout ensemble B p S p dont la mesure de Lebesgue est strictement positif sur S p, max E [UE (U X, γ ) w p (γ, X, γ )] = 0. (4) γ B p
11 Test de non-effet Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
12 Test de non-effet La statistique de test On estime Q(γ) = E{U E[U X, γ ]f γ ( X, γ )} = E{E 2 [U X, γ ]f γ ( X, γ )} par : Q n (γ) = 1 n(n 1) 1 i j n U i U j 1 h K h ( X i X j, γ ), γ S p.
13 Test de non-effet La statistique de test [ ] γ n = arg max nh 1/2 Q n (γ)/ v n (γ) α n I { } γ B p γ γ (p) 0 (5) où v 2 n (γ) est un estimateur de la variance de nh 1/2 Q n (γ)
14 Test de non-effet La statistique de test La statistique de test est : T n = nh 1/2 Q n( γ n ) v n ( γ n ). (6)
15 Test de non-effet Un estimateur de la variance La variance conditionnelle de nh 1/2 Q n (γ) sachant les X i est : τ 2 n (γ) = 2 n(n 1)h j i Un estimateur simple et convenable est donc : τ 2 n (γ) = 2 n(n 1)h σp(x 2 (p) i )σp(x 2 (p) j )Kh 2 ( X i X j, γ ), (7) Ui 2 Uj 2 Kh 2 ( X i X j, γ ). (8) j i
16 Test de non-effet Comportement sous l hypothèse nulle Hypothèses (a) Les vecteurs aléatoires (U 1, X 1 ),..., (U n, X n ) sont des tirages indépendants de (U, X ) R L 2 [0, 1] et satisfait E U m < pour un m > 11. (b) σ 2 et σ 2 tel que 0 < σ 2 Var(U X ) σ 2 < presque sûrement.
17 Test de non-effet Comportement sous l hypothèse nulle Hypothèses suite (c) Les ensembles B p S p, p 1 sont tels que : (i) il existe C 1, δ > 0 tel que p 1 et γ B p, la variable X, γ admets une densité f γ ( ) et C 1 1 {fγ 2 I(f 1) + fγ 2+δ I(f > 1)} C 1 ; R (ii) il existe C 2, ɛ > 0 tel que x ɛ F[f γ] 2 (x)dx C 2, p 1, γ B p ; (iii) la valeur initiale β 0 satisfait la condition : C 3 tel que f γ (p) 0 C 3, p 1. (iv) B p 0 p p B p, 1 p < p.
18 Test de non-effet Comportement sous l hypothèse nulle Hypothèses suite (d) Le noyau K est une densité continue à variation bornée dont la transformée de Fourier est strictement positive sur la droite réelle. (e) h 0 et ( nh 2) α / ln n pour un α (0, 1). (f) p 1 dépends de n et il existe une constante λ > 0 tel que p ln λ n est borné.
19 Test de non-effet Comportement sous l hypothèse nulle Lemme Sous les hypothèses précédentes et si H 0 est vraie, sup Q n (γ) = O P (n 1 h 1/2 p 3/2 ln n). γ B p S p De plus, si τ 2 n (γ) est l estimateur défini par l équation (8), sup {1/ τ n 2 (γ)} = O P (1). γ B p S p
20 Test de non-effet Comportement sous l hypothèse nulle Lemme Sous les hypothèses précédentes et pour α n, n 1 tel que α n /{p 3/2 ln n}, P( γ n = γ (p) 0 ) 1, under H 0.
21 Test de non-effet Comportement sous l hypothèse nulle Théorème Sous les hypothèses précédentes et si H 0 est vraie, la statistique de test T n converge vers une loi normale centrée réduite. Ainsi le test donné par I(T n z 1 a ), avec z a le (1 a) quantile de la distribution de loi normale centrée réduite, a pour niveau asymptotique a.
22 Test de non-effet Comportement sous l alternative Considérons la suite d alternatives suivantes : H 1n : U = U 0 + r n δ(x ), n 1, avec E(U 0 X ) = 0. (9) La preuve de la consistance du test s appuie sur l inégalité suivante : T n = nh1/2 Q n ( γ n ) v n ( γ n ) { } = max nh 1/2 Q n (γ)/ v n (γ) α n I (p) γ B p {γ γ 0 } + α n I { γn γ (p) 0 } max γ B p nh 1/2 Q n (γ) v n (γ (p) 0 ) α n nh1/2 Q n (γ) v n (γ (p) 0 ) α n. (10)
23 Test de non-effet Comportement sous l alternative Théorème On suppose que (a) les hypothèses sont vérifiées en remplaçant U par U 0 ; (b) α n /{p 3/2 ln n} et r n, n 1 est tel que r 2 n nh 1/2 /α n ; (d) E[δ(X )] = 0 et 0 < E[δ 4 (X )] <. Alors le test basé sur T n est consistant contre la suite d alternatives H 1n s il existe p 1 et γ B p tel que P[δ(X ) X, γ ] = 0) < 1 et une des conditions suivantes est satisfaite : 1 la densité f γ est bornée ; 2 la fonction E[δ(X ) X, γ = ]f γ ( ) est bornée ; 3 la transformée de Fourier E[δ(X ) X, γ = ]f γ ( ) est intégrable sur R.
24 Test d adéquation au modèle linéaire fonctionnel Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
25 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel Y = a + b, X + U, où b L 2 [0, 1] et a R sont des paramétres inconnues. K(u, v) = Cov(X (u), X (v)), X n = n 1 n i=1 X i et K(u, v) = n i=1 (X i(u) X n (u))(x i (v) X n (v)). K(u, v) = j=1 θ jφ j (u)φ j (v), K(u, v) = θ j=1 j φj (u) φ j (v),
26 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel (Kf )(u) = K(u, v)f (v)dv. on a Kb = g où g(u) = E[(Y E(Y ))(X (u) E(X (u))]. cela suggére l estimateur de b b(t) m = bj φj (t), t [0, 1], (11) j=1 où b 1 j = θ j ĝ j, ĝ j = ĝ, φ j et ĝ(t) = n 1 n i=1 (Y i Y n )(X i (t) X n (t)).
27 Test d adéquation au modèle linéaire fonctionnel La statistique de test Û i = Y i â b, X i Q n (γ; â, b) = 1 n(n 1) 1 i j n Û i Û j 1 h K h ( X i X j, γ ), γ S p, [ ] γ n = arg max nh 1/2 Q n (γ; â, b)/ v n (γ; â, b) α n I { } γ B p γ γ (p) 0. T n = nh 1/2 Q n( γ n ; â, b). (12) v n ( γ n ; â, b)
28 Test d adéquation au modèle linéaire fonctionnel Comportement sous l hypothèse nulle Lemme Supposons E( U m ) < pour tout m 1, et 1 0 E[X 2 (t)]dt <. Soit b L 2 [0, 1] un estimateur de b tel que b b L 2 = O P (n ρ ) pour un 3/8 < ρ 1/2. De plus, supposons que la fenêtre h est telle que n 1 2ζ h 1/2 0 pour un 3/8 < ζ < ρ. Alors, sous l hypothèse H 0, on obtient sup nh 1/2 Q n (γ; â, b) Q n (γ) = o P (1) γ S p et sup γ S p v n (γ; â, b)/ v n (γ) 1 = o P (1).
29 Test d adéquation au modèle linéaire fonctionnel Comportement sous l hypothèse nulle Théorème Sous certaines conditions, la loi de la statistique de test est asymptotiquement normale.
30 Test d adéquation au modèle linéaire fonctionnel Comportement sous l alternative Considérons la suite d alternatives suivantes : H 1n : Y in = a+ b, X i +r n δ(x i )+U 0 i, n 1, with E(U 0 i X i ) = 0.
31 Test d adéquation au modèle linéaire fonctionnel Comportement sous l alternative Théorème Sous certaines conditions, le test basé sur T n est consistant.
32 Test de non-effet avec U fonctionnel Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
33 Test de non-effet avec U fonctionnel lemme Soit U, X L 2 [0, 1] des fonctions aléatoires. Supposons que E U < et E(U) = 0. (A) Il y a équivalence entre : 1 E(U X ) = 0 a.s. 2 E [ U, E (U X, γ ) ] = 0 a.s. p 1, γ S p.
34 Test de non-effet avec U fonctionnel lemme suite (B) Supposons de plus que pour tout nombre réel positif s, E( U exp{s X }) <. (13) Si P[E(U X ) = 0] < 1, alors il existe un entier positif p 0 1 tel que pour tout entier p > p 0, l ensemble A = {γ S p : E(U X, γ ) = 0 a.s. } a une mesure de Lebesgue zéro sur S p et n est pas dense.
35 Test de non-effet avec U fonctionnel Définissons : Q n (γ) = 1 n(n 1) 1 i j n U i, U j 1 h K h ( X i X j, γ ), γ S p, et [ ] γ n = arg max nh 1/2 Q n (γ)/ v n (γ) α n I { } γ B p γ γ (p) 0, alors la statistique de test s écrit : T n = nh 1/2 Q n( γ n ) v n ( γ n ).
36 Test de non-effet avec U fonctionnel Changement d une hypothèse (exemple) : 1 dans le cas U réel σ 2 et σ 2 tel que 0 < σ 2 Var(U X ) σ 2 < presque sûrement. 2 dans le cas U fonctionnel σ 2 et C tel que : (i) 0 < σ 2 Var( U 1, U 2 X 1, X 2 ) presque sûrement ; (ii) E [ U 2 X ] C.
37 Test de non-effet avec U fonctionnel theorem On obtient sous certaines conditions la normalité de la statistique de test sous H 0. La consistance du test est aussi démontré.
38 Simulations Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
39 Simulations Pour le test de non-effet 1000 réplications de (U 1, X 1 ),, (U n, X n ) de taille n = 100 et n = 200. X i mouvement Brownien standard sur [0, 1]. Distribution de U i : Hypothèse nulle : U 1,, U n i.i.d. N(0, σ 2 ) et indépendant de X 1,, X n où σ = Premiére alternative (effet linéaire) : U i = b, X i + ɛ i où b(t) = (sin(2πt 3 )) 3, et ɛ 1,, ɛ n sont i.i.d. N(0, σ 2 ). Seconde alternative (effet quadratique) : U i = h(s, t)x (s)x (t)dsdt + ɛ i où h(t, s) = 0.6, et ɛ 1,, ɛ n sont i.i.d. N(0, σ 2 ), où σ = 1.
40 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l hypothèse nulle, avec niveau de 5% (meilleure direstion). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)
41 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l hypothèse nulle, niveau 5% (mauvaise direction). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)
42 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative linéaire, niveau 5% (meilleure direction). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)
43 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative linéaire, niveau 5% (mauvaise direction). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)
44 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative quadratique, niveau de 5% (première fonction propre comme direction choisi ). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)
45 Simulations Pour le test de non-effet Table: Pourcentage de rejet sous l alternative quadratique, niveau de 5% (seconde fonction propre comme direction choisi). n = 100 n = 200 p = 3 p = 5 c h = 0.6 c h = 0.8 c h = 1.0 CT c h = 0.6 c h = 0.8 c h = 1.0 CT (1) (2) (1) (2)
46 Simulations Pour le test d adéquation Y = a + b, X + U. X mouvement brownien. b(t) = 1 t [0, 1] et a = 0 vraies valeurs à être estimer. U = δ(x ) + ɛ où ɛ 1,, ɛ n indépendantes, de loi normale centrée réduite et indépendants des X i et 1 hypothèse nulle : δ(x i ) = 0 2 déviation quadratique : ( 1 δ(x i ) = déviation cubique : ( 1 δ(x i ) = ) X i (s)x i (t)dsdt 1/3 X i (s)x i (t)x i (z)dsdtdz 1 0 ) X i (t)dt
47 Simulations Pour le test d adéquation Table: Pourcentage de rejet sous l hypothèse nulle, niveau de 5%. n = 100 n = 200 p = 3 p = 5 c h = 0.8 c h = 1.0 c h = 1.2 HR c h = 0.8 c h = 1.0 c h = 1.2 m = m = m = m = nc nc nc
48 Simulations Pour le test d adéquation Table: Pourcentage de rejet sous l alternative quadratique, niveau de 5%. n = 100 n = 200 p = 3 p = 5 c h = 0.8 c h = 1.0 c h = 1.2 HR c h = 0.8 c h = 1.0 c h = 1.2 m = m = m = m = nc nc nc
49 Simulations Pour le test d adéquation Table: Pourcentage de rejet sous l alternative cubique, niveau de 5%. n = 100 n = 200 p = 3 p = 5 c h = 0.8 c h = 1.0 c h = 1.2 HR c h = 0.8 c h = 1.0 c h = 1.2 m = m = m = nc nc nc m = nc nc nc
50 Quelques références Plan de la présentation 1 Introduction Notations 2 lemme fondamental 3 Test de non-effet La statistique de test Un estimateur de la variance Comportement sous l hypothèse nulle Comportement sous l alternative 4 Test d adéquation au modèle linéaire fonctionnel Le modèle linéaire fonctionnel La statistique de test Comportement sous l hypothèse nulle Comportement sous l alternative 5 Test de non-effet avec U fonctionnel 6 Simulations Pour le test de non-effet Pour le test d adéquation 7 Quelques références
51 Quelques références Cardot, H., Ferraty, F., Mas, A., and Sarda, P. (2003). Testing Hypotheses in the Functional Linear Model. Scandinavian Journal of Statistics 30, Delsol, L., Ferraty, F., and Vieu, P. (2011). Structural test in regression on functional variables. Journal of Multivariate Analysis 102, Hall, P., and Horowitz, J.L. (2007). Methodology and convergence rates for functional linear regression. Annals of Statistics 35, Lavergne, P. and Patilea, V. (2008). Breaking the curse of dimensionality in nonparametric testing. Journal of Econometrics 143,
Séminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en 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 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 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 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 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 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 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 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 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 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 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 détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en 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 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 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 détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 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 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 détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
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 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 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 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 détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en 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 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 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 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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
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 détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
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 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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
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 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 détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
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 même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
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 détailRépublique Algérienne Démocratique et Populaire
République Algérienne Démocratique et Populaire الشعبية الجمهوریة الجزاي ریة الدیمقراطية Ministère de l enseignement Supérieur et de la Recherche Scientifique Université 8 mai 45 Guelma التعليم العالي
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 détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 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 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 détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
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 détail