TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
|
|
- Danièle Généreux
- il y a 8 ans
- Total affichages :
Transcription
1 TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun avec Yacouba Boubacar Maïnassara Conférence Séries Temporelles, Économétrie et Finance Besançon 6 et 7 mai 2014
2 PLAN MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
3 MODÈLES ARMA FAIBLES ET MOTIVATIONS CADRE D ÉTUDE PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
4 MODÈLES ARMA FAIBLES ET MOTIVATIONS CADRE D ÉTUDE REPRÉSENTATION ARMA(p, q) FAIBLE Un processus stationnaire au second ordre, tel que pour t Z p q X t a 0i X t i = ɛ t b 0i ɛ t j. i=1 j=1 Les paramètres a 0i, i {1,..., p} et b 0j, j {1,..., q} sont des réels, p et q sont des entiers appelés ordres. Le terme d erreur ɛ t est un bruit blanc faible i.e : une suite de v.a. centrées (Eɛ t = 0), non corrélées (Cov (ɛ t, ɛ t+h ) = 0 h, t Z, h 0), de même variance σ 2 0. MODÈLES ARMA FAIBLES ET FORTS Si on suppose le processus ɛ = (ɛ t ) est un bruit blanc fort, à savoir une suite de variables iid, alors on dit que X = (X t ) est un modèle ARMA(p, q) fort. Si on suppose simplement que ɛ est non corrélé, on dit que X admet une représentation ARMA(p, q) faible. On a la relation suivante {ARMA forts} {ARMA faibles}.
5 MODÈLES ARMA FAIBLES ET MOTIVATIONS CADRE D ÉTUDE INVERSIBILITÉ DE LA REPRÉSENTATION p q X t a i X t i = ɛ t b i ɛ t j. i=1 j=1 On note θ = (a 1,..., a p, b 1,..., b q) le paramètre du modèle. Forme compacte : a(l)x t = b(l)ɛ t où L est l opérateur retard défini pour t, k Z) par LX t = X t 1 et L k X t = X t k. Définissons a(z) = 1 p i=1 a i z i et b(z) = 1 q j=1 b j z j. HYPOTHÈSE (A1) : a(z)b(z) = 0 implique que z > 1. CONSÉQUENCE ɛ t (θ) = b 1 (L)a(L)X t = X t + c i (θ)x t i i=1
6 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
7 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES MÉTHODES DES MOINDRES CARRÉS ORDINAIRES (MCO) Observations X 1,..., X n de longueur n. Pour 0 < t n, les variables aléatoires e t (θ) sont définies récursivement par p q e t (θ) = X t a i X t i + b j e t j (θ), où les valeurs initiales inconnues sont remplacées par zéro : e 0 (θ) = = e 1 q (θ) = X 0 = = X 1 p = 0. i=1 Un estimateur des MCO de θ 0 est défini comme toute solution, p.s., mesurable ˆθ n de Francq et Zakoïan (1998). j=1 1 Q n(ˆθ n) = min Qn(θ), où Qn(θ) = θ Θ 2n n et 2 (θ). t=1
8 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES PROPRIÉTÉS ASYMPTOTIQUES DE L ESTIMATEUR DES MCO HYPOTHÈSES (A2) : Le processus (ɛ t ) est stationnaire et ergodique. (A3) : On a θ 0 Θ, où Θ désigne l intérieur de Θ. (A4) : Il existe un réel ν > 0 tel que E ( ɛ t 4+2ν) < les coefficients de mélange du processus (ɛ t ) vérifient k=0 {αɛ(k)} 2+ν ν <. Hypothèse de mélange qui nous permet de contrôler la dépendance dans le temps du processus (ɛ t ) THÉORÈME (FZ 98) Sous les hypothèses (H1) à (H4), on a n (ˆθ n θ 0 ) L N (0, Ω := J 1 IJ 1 ), où J = J(θ 0 ) et I = I(θ 0 ), avec J(θ) = lim n 2 ( ) Q n(θ) n θ θ p.s., I(θ) = lim Var n θ Qn(θ).
9 MODÈLES ARMA FAIBLES ET MOTIVATIONS ESTIMATION DES PARAMÈTRES Q n(θ) = 1 2n n t=1 et 2 1 (θ) et On := 2n n ɛ 2 t (θ) sont "proches" car t=1 ( n θ Qn(θ 0) ) θ On(θ 0) = o P (1). IDÉE DE LA PREUVE 0 = n Qn(ˆθ n) θ = n Qn(θ 0) θ = n On(θ 0) θ ˆθ n θ 0 = J 1 On(θ 0) θ + o P (1) + 2 Q n(θ ) θ θ n (ˆθ n θ 0 ) + o P (1) + 2 O n(θ 0 ) θ θ } {{ } J + o P (1) = J 1 1 n t=1 n (ˆθn θ 0 ) + o P (1). n ɛ t (θ 0 ) ɛ t (θ 0 ) θ } {{ } :=Y t +o P (1). (1)
10 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
11 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL ON VEUT TESTER POUR DES ORDRES p ET q DONNÉS H 0 : (X t ) satisfait une représentation ARMA(p, q) avec bruit blanc faible H 1 : (X t ) n admet pas une représentation ARMA ou admet une représentation ARMA(p, q ), p > p ou q > q. ENJEUX : Choisir des ordres trop grands introduction d un grand nombre de paramètres non pertinents à estimer, une perte de précision de l estimation des paramètres. Choisir des ordres trop petits perte d information détectable par une corrélation des résidus ou estimation non convergente des paramètres. AUTOCOVARIANCES EMPIRIQUES DU BRUIT DE RETARD h : Pour 0 h < n, elles sont définies par : γ(h) = 1 n ɛ t ɛ t h. n t=h+1 Les γ(h) ne sont pas des statistiques (sauf si p 0 = q 0 = 0) puisqu elles dépendent des innovations théoriques ɛ t = ɛ t (θ 0 ). Vecteurs des m (pour m 1) premières autocovariances empiriques du bruit : γ m = (γ(1),..., γ(m)).
12 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL AUTOCOVARIANCES ET AUTOCORRÉLATIONS RÉSIDUELLES On note ê t = e t (ˆθ n). Autocovariances résiduelles de retard h définies par ˆγ(h) = 1 n ê t ê t h pour 0 h < n. n t=h+1 Nous utilisons des vecteurs de ces autocovariances résiduelles ˆγ m = (ˆγ(1),..., ˆγ(m)) et les vecteurs des autocorrélations résiduelles ˆρ(l) = ˆγ(l)/ˆγ(0), avec γ(0) := σ 2. ˆρ m = (ˆρ(1),..., ˆρ(m)), pour m 1 et
13 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL STATISTIQUES DE TESTS PORTMANTEAU Statistique du test portmanteau (BP, 1970) Q BP m m = n ˆρ 2 (h) h=1 et statistique modifiée du test portmanteau (LB, 1978) Q LB m = n(n + 2) m h=1 ˆρ 2 (h) n h. DÉVELOPPEMENT DE ˆγ(m) Pour h {1,..., m}, en utilisant la fonction θ 1 n n t=h+1 ɛ t (θ) ɛ t h (θ) on obtient Ainsi où la ligne h de la matrice Φ m est φ h. ( ) ɛt (θ 0 ) ˆγ(h) = γ(h) + E θ ɛ t h (θ 0 ) (ˆθ n θ 0 ) + o P (1). } {{ } :=φ h ˆγ m = γ m + Φ m (ˆθ n θ 0 ) + o P (1), (2)
14 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL DISTRIBUTIONS ASYMPTOTIQUES DES AUTOCOVARIANCES ET AUTOCORRÉLATIONS RÉSIDUELLES (FRZ05) Supposons p > 0 ou q > 0. Sous les hypothèses (A1) à (A4), quand n, nous avons n ˆγm N ( ) 0, Σˆγm et n ˆρm N ( ) 0, Σ ˆρm où, Σˆγm = Σ γm + Φ mσ ˆθn Φ m + ΦmΣ ˆθn,γ m + Σ ˆθn,γ Φ m m Σ ˆρm = Σˆγm /σ 4 où les matrices Σ γm, Σ ˆθn et Σ ˆθ proviennent de la distribution asymptotique jointe de n,γ m l estimateur MCO et des autocovariances empiriques du bruit.
15 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL THÉORÈME : (COMPORTEMENT ASYMPTOTIQUE DES STATISTIQUES DES TESTS PORTMANTEAU) Sous les précédentes, les statistiques Qm BP et Qm LB convergent en distribution, quand n, vers Z m(ξ m) = m i=1 ξ i,m Z 2 i où ξ m = (ξ 1,m,..., ξ m,m) est un vecteur des valeurs propres de la matrice Σ ˆρm = Σˆγm /σ 4, et Z 1,..., Z m sont des variables indépendantes de loi N (0, 1). ESTIMATION DE Σˆρm Dans la littérature économique, il existe (principalement) deux méthodes La méthode d estimation non paramétrique du noyau aussi appelée HAC (Heteroscedasticity and Autocorrelation Consistent). La méthode d estimation paramétrique de la densité spectrale.
16 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE GÉNÉRAL DESCRIPTION DU TEST Pour un niveau asymptotique α, le test portmanteau de LB (resp. de BP) consiste à rejeter l adéquation de modèle ARMA(p, q) faible quand où S 1 α m ( est telle que P Q LB m > Sm 1 α (resp. Qm BP > Sm 1 α ) ) Z m(ˆξ m) > S 1 α m = α. ˆξ m = (ˆξ 1,m,..., ˆξ m,m) le vecteur des valeurs propres de ˆΣ ˆρm. Z m(ˆξ m) sera évaluer grâce à l algorithme d Imhof (1961). BUT : Trouver une loi qui ne dépend pas (d un ou) des paramètres inconnus.
17 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
18 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION IDÉE On va "plus loin" dans le développement de ˆγ m donné par (2) : ˆγ m = γ m + Φ m (ˆθ n θ 0 ) + o P (1). On injecte le développement de ˆθ n ˆθ 0 donné par (1) : n ˆθ n θ 0 = J 1 1 n t=1 ɛ t (θ 0 ) ɛ t (θ 0 ) θ } {{ } :=Y t +o P (1), et on obtient avec n ˆγm = 1 n ΓU t + o P (1), ( U t = ɛ t (θ 0 ) ɛ ) t (θ 0 ), ɛ t ɛ t 1,..., ɛ t ɛ t m R p+q+m θ et Γ la matrice bloc de R m (p+q+m) définie par ) Γ = ( Φ mj 1 I m, où I m est la matrice identité d ordre m.
19 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION Il existe Ξ = ΥΥ avec Υ triangulaire inférieure avec des termes diagonaux strictement positifs telles que 1 n d U t N (0, Ξ). n n t=1 THÉORÈME LIMITE CENTRAL Avec ΓΞΓ = (ΓΥ)(ΓΥ) := ΨΨ, 1 n n d ΓU t N (0, n ΨΨ ). t=1 THÉORÈME LIMITE CENTRAL FONCTIONNEL nr 1 ΓU j n j=1 où (B m(r)) r 0 est un brownien m-dimensionnel. D m n ΨBm(r) CONSÉQUENCE DU "CONTINUOUS MAPPING THEOREM" (I) nr ( ) 1 Γ U j 1 n D U i m n n Ψ( B n m(r) rb ) m(1). j=1 i=1
20 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION ( ) On rappelle que U t = ɛ t (θ 0 ) ɛ t (θ 0 ), ɛ θ t ɛ t 1,..., ɛ t ɛ t m et on note ( t S t = Γ U j 1 n U i ). n j=1 i=1 C m = 1 n n 2 S t S t. t=1 CONSÉQUENCE DU "CONTINUOUS MAPPING THEOREM" (II) ( ) 1 d C m Ψ (B n m(r) rb m(1)) (B m(r) rb m(1)) dr Ψ. 0 } {{ } :=V m AUTO-NORMALISATION n ˆγ m C 1 m ˆγ m = 1 n n t=1 d n ( ) (ΓU t ) Cm 1 (ΓU t ) + o P (1) ( (ΨBm(1)) ΨV mψ ) 1 (ΨBm(1)) = B m 1 (1)Vm B m(1) := U m. La loi de la variable aléatoire U m est obtenue par simulation (Voir Lobato (JASA 2001)).
21 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES PRINCIPE DE L AUTO-NORMALISATION TABLE DES QUANTILES DE LA VARIABLE ALÉATOIRE U m TABLE: Upper Critical Values of the Distribution of U m. m\α
22 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES STATISTIQUES MODIFIÉES DE TESTS PORTMANTEAU PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
23 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES STATISTIQUES MODIFIÉES DE TESTS PORTMANTEAU Posons Ĉm = 1 n n 2 Ŝ t Ŝ t t=1 Statistique modifiée du test portmanteau (BP) Q SN m = n ˆσ4 ˆρ mĉ 1 m ˆρ m et la statistique modifiée du test portmanteau (LB) Q SN m = n(n + 2) ˆσ4 ˆρ m Dn,mĈ 1 m ˆρ m où la matrice diagonale D n,m a pour entrée (1/(n 1),..., 1/(n m)). THÉORÈME : (COMPORTEMENT ASYMPTOTIQUE DES STATISTIQUES MODIFIÉES DES TESTS PORTMANTEAU) Sous les hypothèses (A1) à (A4), les statistiques Qm SN et Q SN m convergent en distribution, quand n, vers la variable aléatoire U m = B m(1)v m 1 B m(1) où V m = 1 0 (Bm(r) rbm(1)) (Bm(r) rbm(1)) dr.
24 TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES STATISTIQUES MODIFIÉES DE TESTS PORTMANTEAU ( ) On rappelle que U t = ɛ t (θ 0 ) ɛ t (θ 0 ), ɛ θ t ɛ t 1,..., ɛ t ɛ t m R m+p+q et on note ( t St = U j 1 n U i ). n j=1 i=1 Cm+p+q = 1 n S n 2 t S t. REMARQUE t=1 ( ) 1 d Cm+p+q Ψ (B n m+p+q(r) rb m+p+q(1)) (B m+p+q(r) rb m+p+q(1)) dr Ψ. 0 } {{ } :=V m+p+q COMPORTEMENT ASYMPTOTIQUE DE (ˆθ n, ˆγ m ) Sous les hypothèses (A1) à (A4), quand n, nous avons 1 n(ˆθ n θ 0, γ m) C m+p+q (ˆθ n θ 0, γ m) d Um+p+q où U m+p+q := B m+p+q(1)v 1 m+p+q Bm+p+q(1).
25 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
26 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : BRUIT FORT Considérons le modèle ARMA(1,1) suivant X t = ax t 1 + ɛ t + bɛ t 1, où ɛ t = η t 1 + α 1 ɛ 2 t 1 et (η t ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the case of above strong ARMA model with the parameter θ 0 = (0,0) and α 1 = 0. The nominal asymptotic level of the tests is α = 5%. m = 2 m = 3 m = 4 Length n , , , 000 BPSN BPFRZ BP S m = 6 m = 10 m = 18 Length n , , , 000 BPSN BPFRZ BP S
27 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : ARMA FORT Modèle ARMA(1,1) : X t = ax t 1 + ɛ t + bɛ t 1 où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the case of the above strong ARMA(1,1) model with the parameter θ 0 = (0.95, 0.6) and α 1 = 0. The nominal asymptotic level of the tests is α = 5%. m = 1 m = 2 m = 3 Length n 500 1, , , 000 BPSN BP FRZ BP S n.a. n.a. n.a. n.a m = 6 m = 12 m = 18 Length n 500 1, , , 000 BPSN BP FRZ BP S
28 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : BRUIT FAIBLE Modèle ARMA(1,1) : X t = ax t 1 + ɛ t + bɛ t 1 où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the above weak ARMA(0,0) model with the parameter θ 0 = (0,0) and α 1 = 0.4. The nominal asymptotic level of the tests is α = 5%. m = 2 m = 3 m = 4 Length n 300 1, , , 000 BP SN BPFRZ BP S m = 6 m = 12 m = 18 Length n 300 1, , , 000 BP SN BPFRZ BP S
29 ILLUSTRATIONS NUMÉRIQUES APPLICATION NUMÉRIQUE ARMA (1,1) RÉSULTAT EMPIRIQUE DES TESTS PORTMANTEAU : ARMA FAIBLE Modèle ARMA(1,1) : X t = ax t 1 + ɛ t + bɛ t 1 où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). TABLE: Empirical size (in %) of the standard and modified versions of the BP test in the case of the above weak ARMA(1,1) model with the parameter θ 0 = (0.95, 0.6) and α 1 = 0.4. The nominal asymptotic level of the tests is α = 5%. m = 1 m = 2 m = 3 Length n 1, 000 2, 000 1, 000 2, 000 1, 000 2, 000 BPSN BP FRZ BP S n.a. n.a. n.a. n.a m = 6 m = 12 m = 18 Length n 1, 000 2, 000 1, 000 2, 000 1, 000 2, 000 BPSN BP FRZ BP S
30 ILLUSTRATIONS NUMÉRIQUES PUISSANCE EMPIRIQUE, ARMA(2,1) PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
31 ILLUSTRATIONS NUMÉRIQUES PUISSANCE EMPIRIQUE, ARMA(2,1) PUISSANCE EMPIRIQUE DES TESTS PORTMANTEAU : CAS FORT Les observations sont générées par le modèle ARMA(2,1) : X t = X t 1 0.2X t 2 + ɛ t + 0.8ɛ t 1, où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). On teste si le modèle est un ARMA(1,1). TABLE: Empirical power (in %) of the standard and modified versions of the BP test for the above weak ARMA(2,1) model and α 1 = 0. m = 1 m = 2 m = 3 Length n 500 1, , , 000 BPSN BPFRZ BP S n.a. n.a. n.a. n.a m = 4 m = 6 m = 10 Length n 500 1, , , 000 BPSN BPFRZ BP S
32 ILLUSTRATIONS NUMÉRIQUES PUISSANCE EMPIRIQUE, ARMA(2,1) PUISSANCE EMPIRIQUE DES TESTS PORTMANTEAU : CAS FAIBLE Les observations sont générées par le modèle ARMA(2,1) : X t = X t 1 0.2X t 2 + ɛ t + 0.8ɛ t 1, où ɛ t = η t ( 1 + α1 ɛ 2 t 1) 1/2 et (ηt ) est une suite i.i.d. de loi N (0,1). On teste si le modèle est un ARMA(1,1). TABLE: Empirical power (in %) of the standard and modified versions of the BP test for the above weak ARMA(2,1) model and α 1 = 0.4. m = 1 m = 2 m = 3 Length n 500 1, , , 000 BPSN BPFRZ BP S n.a. n.a. n.a. n.a m = 4 m = 6 m = 10 Length n 500 1, , , 000 BPSN BPFRZ BP S
33 ILLUSTRATIONS NUMÉRIQUES DONNÉES RÉELLES-INDICES BOURSIERS PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
34 ILLUSTRATIONS NUMÉRIQUES DONNÉES RÉELLES-INDICES BOURSIERS RENDEMENT CAC40 TABLE: α = 5% Standard and modified versions of portmanteau tests to check the null hypothesis that the CAC40 returns is a white noise (α = 5%). Lag m p BP SN p BP FRZ p BP S CONCLUSION Cette série n est donc pas issue d un bruit blanc fort mais pourrait provenir d un bruit blanc faible.
35 ILLUSTRATIONS NUMÉRIQUES DONNÉES RÉELLES-INDICES BOURSIERS CARRÉ DU RENDEMENT DU CAC40 TABLE: Standard and modified versions of portmanteau tests to check the null hypothesis that the CAC40 squared returns follow an ARMA(1,1) model (α = 5%). Lag m p BP p BP p BP SN FRZ S n.a. n.a Lag m p BP p BP p BP SN FRZ S CONCLUSION L hypothèse d un modèle ARMA(1;1) fort est rejetée ; L hypothèse d un modèle ARMA(1;1) faible n est pas rejetée. On obtient le modèle X t = X t 1 + ɛ t ɛ t 1, avec Var(ɛ t ) = , compatible avec la modélisation par un GARCH(1,1).
36 ILLUSTRATIONS NUMÉRIQUES CONCLUSION PLAN DE L EXPOSÉ MODÈLES ARMA FAIBLES ET MOTIVATIONS Cadre d étude Estimation des paramètres TESTS D ADÉQUATION DE MODÈLES ARMA FAIBLES Principe général Principe de l auto-normalisation Statistiques modifiées de tests portmanteau ILLUSTRATIONS NUMÉRIQUES Application numérique ARMA (1,1) Puissance empirique, ARMA(2,1) Données réelles-indices boursiers Conclusion
37 ILLUSTRATIONS NUMÉRIQUES CONCLUSION CONCLUSION Les versions modifiées des tests portmanteau sont plus faciles à implémenter que celles existantes dans la littérature car leurs valeurs critiques ne sont plus calculées à partir des données. Confirmation de la non validité des versions standards en présence de dépendance temporelle. Les résultats numériques confirment bien qu en présence ou non de dépendance temporelle, les tests proposés donnent des résultats très satisfaisants.
38 ILLUSTRATIONS NUMÉRIQUES CONCLUSION Merci de votre attention
Température corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailChapitre 2. Les Processus Aléatoires Non Stationnaires 1. Chapitre 2. Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires
Chapitre 2. Les Processus Aléatoires Non Stationnaires 1 Chapitre 2 Tests de Non Stationnarité et Processus Aléatoires Non Stationnaires Chapitre 2. Les Processus Aléatoires Non Stationnaires 2 Dans le
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 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 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 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
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 détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
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 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 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 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 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 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 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 détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
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 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 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 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 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 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 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 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 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 détailUNIVERSITE DE TECHNOLOGIE DE COMPIEGNE. Le Traitement du Signal aléatoire
UNIVERSITE DE TECHNOLOGIE DE COMPIEGNE Le Traitement du Signal aléatoire SY06 partie II - Printemps 2009 P.Simard 12 mai 2009 2 Table des matières 1 Besoins de modèles aléatoires pour les signaux 5 2 Principaux
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 détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
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 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 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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailTriangle de Pascal dans Z/pZ avec p premier
Triangle de Pascal dans Z/pZ avec p premier Vincent Lefèvre (Lycée P. de Fermat, Toulouse) 1990, 1991 1 Introduction Nous allons étudier des propriétés du triangle de Pascal dans Z/pZ, p étant un nombre
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
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 détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en 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 détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
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 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 détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
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 détailUne analyse économétrique multivariée du comportement des ménages
Revue de l OFCE n 66 / juillet 1998 Une analyse économétrique multivariée du comportement des ménages Françoise Charpin Professeur à l Université de Paris II, Conseiller scientifique à l OFCE Cette étude
Plus en détail