Econométrie et applications
|
|
- Yolande St-Hilaire
- il y a 8 ans
- Total affichages :
Transcription
1 Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet Université Paris 1 & Ecole d Economie de Paris N. Jacquemet (EEP Université Paris 1) Econométrie et applications ENPC ParisTech 1 / 136
2 Inférence Les MCO sous hypothèse de normalité 1 Inférence Les MCO sous hypothèse de normalité Le modèle linéaire normal Intervalles de confiance Test d hypothèses Conclusion : Robustesse de l hypothèse de normalité N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 53 / 136
3 Le modèle linéaire normal Le modèle linéaire normal Chapitre III : moments de l estimateur déduites de restrictions sur les moments de u. Absence de biais = situation moyenne / valeur vraie Précision et efficacité = oscillations autour de cette valeur Forme de ces oscillations = distribution de l estimateur. Permet de probabiliser l écart entre la vraie valeur et l estimation obtenue. H MCO 5 : u N (0, σ 2 I N ). Le terme d erreur suit une loi normale (multivariée) d espérance nulle et de matrice de variance-covariance σ 2 I N.! Forme de la distribution est la seule contrainte nouvelle ; Termes d erreur indépendants, d où u i N (0, σ 2 ) u i. P[u i U] = P[ u i σ U σ ] = Φ( U σ ). N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 54 / 136
4 RAPPELS Loi normale I Le modèle linéaire normal Loi normale de moyenne µ et de variance σ 2 : N (µ, σ 2 ). N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 55 / 136
5 RAPPELS Loi normale II Le modèle linéaire normal Propriétés : Symétrique : P[N (µ, σ 2 ) µ + t] = P[N (µ, σ 2 ) µ t] Centrée sur sa moyenne : P[N (µ, σ 2 ) µ] = P[N (µ, σ 2 ) µ] = 0.5. Toute combinaison linéaire de lois normales suit une loi normale. Soit Z N (µ, σ 2 ) alors Z = Z µ σ N (0, 1) (loi normale centrée réduite tabulations connues) Soit Z N (0, 1), alors : Z = σz + µ N (µ, σ 2 ). Lois composées : χ 2 Si Z l N (0, 1) alors Z Z = L Student Z 1 N (0, 1) Z 2 χ 2 (ν) : l=1 Z 2 l χ 2 (dim(z )). Z 1 Z2 /ν T (ν). Fisher Q 1 χ 2 (q 1 ), Q 2 χ 2 (q 2 ), et Q 1 Q 2 : Z = Q 1/q 1 F(q 1, q 2 ). Q 2 /q 2 Notations Densité : φ(z 0 ) = 1 2π exp( (z 0 µ) 2 ) ; 2σ 2 Fonction de répartition Φ(z 0 ) = P[Z z 0 ]. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 56 / 136
6 Loi des observations I Le modèle linéaire normal Sous H1 MCO H5 MCO : y i X i N (X i b, σ 2 ) : loi (supposée) des observations, qui dépend de b. Loi des observations, si les données sont i.i.d : P(Y X, b ) = N φ(y i X i, b ) = L(Y, b X) i=1 fonction de vraisemblance de l échantillon b MV = ArgMaxL(Y, b X) Pour des raisons pratiques, on minimise l inverse du log. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 57 / 136
7 Loi des observations II Le modèle linéaire normal Exemple modèle linéaire normal lnl(y, b, σ 2 X) = 0.5N log(2π) 0.5N log(σ 2 ) 0.5(Y Xb) (Y Xb)/σ 2 b MV lnl b σ 2 MV lnl σ = 0 b MV = (X X) 1 X Y = 0 σ2 MV = û û N N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 58 / 136
8 Loi des estimateurs I Le modèle linéaire normal Proposition Dans le modèle linéaire Y = Xb + u, sous H MCO, l estimateur des MCO de b suit une loi normale : b MCO N (b, σ 2 (X X) 1 ) ; Démonstration. Moments établis au Chapitre IV. Distribution : Y X est de loi normale. b MCO = (X X) 1 X Y : combinaison linéaire de lois normales loi normale. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 59 / 136
9 Loi des estimateurs II Le modèle linéaire normal Distribution de µ MCO de µ : N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 60 / 136
10 Intervalles de confiance I Intervalles de confiance Definition On appelle intervalle de confiance du paramètre b au niveau 1 α, l intervalle : IC 1 α = [ b(y, X), b(y, X) ] tel que P (b IC 1 α ) = 1 α. Intervalle dans lequel la vraie valeur du paramètre a 1 α chances sur 100 de se trouver. b(y, X) et b(y, X) sont des fonctions des observations, des statistiques. Intervalle de confiance des MCO : Sous H5 MCO MCO, b k N (b k, σ 2 S k ), où S k désigne k ième élément diagonal (variance) de la matrice (X X) 1 ; MCO b k b k On a donc N (0, 1) ; σ2 S k N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 61 / 136
11 Intervalles de confiance II Intervalles de confiance Soit N α seuil tel que : P[N (0, 1) N α ] = α 2 et P[N (0, 1) N α] = α 2 ou encore : P[ N α N (0, 1) N α ] = 1 α. Alors : 1 α = P[ N α N (0, 1) N α ] = P[ N α MCO b k b k N α ] σ2 S k [ bmco ] MCO = P k N α σ2 S k b k b k + N α σ2 S k [ bmco IC au seuil 1 α des MCO : IC1 α MCO = ] k ± N α σ2 S k N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 62 / 136
12 Intervalles de confiance Intervalle de confiance estimé I Variance inconnue... estimée par σ 2 = û û/(n K 1) ; Proposition! û fonction de b MCO : variable aléatoire! Sous H MCO, (N K 1) σ2 σ 2 χ2 (N K 1) Démonstration. Loi de u i : u i N (0, σ 2 ) donc u i /σ N (0, 1). û = M X Y = M X u d où û /σû/σ = u M X u/σ 2 : somme de [N (0, 1)] 2. Dim(M) = N K 1 N K 1 termes û û/σ 2 χ 2 (N K 1) σ 2 = û û (N K 1) σ2 N K 1 χ 2 (N K 1). σ 2 N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 63 / 136
13 Intervalles de confiance Intervalle de confiance estimé II Loi jointe des estimateurs Corrélation? Proposition (Théorème de Cochran). b MCO et σ 2 sont indépendants. Démonstration. On a : X b MCO = PY et (N K 1) σ 2 = û û = Y MY. Par définition, P et M orthogonaux. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 64 / 136
14 Intervalles de confiance Intervalle de confiance estimé III Proposition Sous H MCO n, b k MCO b k σ 2 S k T N K 1 k Démonstration. Etant données les lois des composantes, et l indépendance : bmco k b k σ 2 S k = (N K 1) σ 2 (N K 1)σ 2 b k MCO b k σ 2 S k N (0, 1) χ 2 (N K 1) N K 1 T N K 1 N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 65 / 136
15 Intervalles de confiance Intervalle de confiance estimé IV Intervalle de confiance estimé : N K 1 Soit tα seuil tel que : P[T t N K 1 α P[ T N K 1 t N K 1 ] = α Alors : P[ t α N K 1 α b k b k σ k N K 1 ] = P[T N K 1 tα ] = α 2 t Intervalle de confiance : IC MCO 1 α N K 1 α ] = 1 α = [ˆb MCO k ± ˆσ 2 S k t 1 α ]. ILLUSTRATION IC 95% du rendement de l éducation :. reg lnw adfe exp exp lnw Coef. Std. Err. t P> t [95% Conf. Interval] adfe exp exp _cons N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 66 / 136
16 Intervalles de confiance APPLICATION Intervalles de prévision I Soit X p la valeur des exogènes pour un individu hors-échantillon ; GM Ŷ p = X p b MCO est l estimateur BLUE de Y p (Chap IV). Ŷ p Y p = X p b MCO X p b u p = X p ( b MCO b) u p Moments : E(Ŷ p ) = Y p et : V (Ŷ p ) = E[(Ŷ p Y p )(Ŷ p Y p ) ] = E [[X p ( b MCO b) u p][x p ( b MCO b) u p] ] (absence de corrélation) = E[X p ( b MCO b)( b MCO b) X p ] + σ 2 = E[X p ((X X) 1 X u)((x X) 1 X u) X p ] + σ 2 = E[X p (X X) 1 X uu X(X X) 1 X p ] + σ 2 = X p (X X) 1 X I N σ 2 X(X X) 1 X p + σ 2 = σ 2 [X p (X X) 1 X p + 1] Variance estimée : V (Ŷ p ) = σ 2 [X p (X X) 1 X p + 1]. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 67 / 136
17 Intervalles de confiance APPLICATION Intervalles de prévision II Loi : H5 MCO : Ŷ p combinaison linéaire de lois normales. Variance estimée Ŷ p Y p T V (Ŷ p N K 1. ) Intervalle de prévision : IP 1 α = [Ŷ p N K 1 ± tα V (Ŷ p )]. APPLICATION Salaire moyen à la fin de L3. reg lnw adfe exp exp2. scalar Vprev = 1.96*sqrt(_se[_cons]^2+e(rmse)^2). scalar lnwnoexp = _b[ _cons] + _b[adfe]*21. scalar winf0 = exp(lnwnoexp - Vprev). scalar wsup0 = exp(lnwnoexp + Vprev). display "IP à 95%, sortie de L3: [" winf0 "," wsup0 "]" IP à 95%, sortie de L3: [ , ]. scalar lnwnoexp = _b[ _cons] + _b[adfe]*21 + _b[exp]*10 + _b[exp2]*100. scalar winf10 = exp(lnwnoexp - Vprev). scalar wsup10 = exp(lnwnoexp + Vprev). display "IP à 95%, 10 ans d expérience: [" winf10 "," wsup10 "]" IP à 95%, 10 ans d expérience: [ , ] N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 68 / 136
18 Test d hypothèses Tests d hypothèses : définitions I On dispose d un estimateur θ de la vraie valeur d un paramètre, θ. Inférence : loi de l estimateur (distribution de probabilité) en fonction de la valeur vraie IC : Ensemble de valeurs susceptible de contenir la valeur vraie Test d hypothèses : probabilité que la valeur vraie soit égale à une valeur particulière. Structure d un test : Hypothèses sur la valeur vraie du paramètre : H 0 (θ) (Hypothèse nulle) contre H 1 (θ) (Hypothèse alternative) ; { H0 : θ = θ Par exemple, test d égalité : 0 H 1 : θ θ 0 N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 69 / 136
19 Test d hypothèses Tests d hypothèses : définitions II On cherche à prendre une décision : d 0 l hypothèse H 0 n est pas rejetée par l estimation fournie par les données ; l hypothèse H 0 est rejetée, H 1 est vraie. d 1 A partir d un estimateur du paramètre, θ, un test repose sur une statistique de test S( θ) = S(Y, X). La loi de S dépend de celle de θ, donc de la vraie valeur θ : L S (θ). La loi de S( θ) sous H 0 (i.e. sous l hypothèse que H 0 est vraie) est L S (H 0 (θ)) = L 0 S ; Soit s une valeur calculée de la statistique On peut calculer la probabilité d observer s si la loi de S est L 0 S Probabilité faible : s est une observation improbable de L 0 S il est improbable que L 0 S soit la loi qui a produit s d 1. La région critique correspond à l ensemble des valeurs de θ (i.e. des échantillons) conduisant à la décision d 1 : { } W = (Y, X) S(Y, X) > S N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 70 / 136
20 Test d hypothèses Tests d hypothèses : définitions III Un test n est jamais parfait conclusion probabiliste (décision vraisemblable au regard des faits) entre les deux décisions. Caractéristiques d un test : Risque de première espèce rejeter H 0 alors que H 0 est vraie α(w ) = P[ d 1 H0 ] = P[ W H0 ] Probabilité de condamner un innocent ; Risque de deuxième espèce accepter H 0 alors que H 1 est vraie β(w ) = P[ d 0 H1 ] = 1 P[ W H1 ] Probabilité de relâcher un coupable ; Puissance rejeter H 0 quand H 1 est vraie γ(w ) = P[ d 1 H1 ] = P[ W H1 ] = 1 β(w ) Probabilité de condamner un coupable. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 71 / 136
21 Test d hypothèses Tests d hypothèses : critères de sélection I On souhaite minimiser les deux risques...! Min α(w ) = Min P[d 1 H0 ] =... = d 0 S(Y, X) W W! Min β(w ) = Min P[d 0 H1 ] =... = d 1 S(Y, X) W W... et maximiser la puissance.! Max γ(w ) = Max [1 β(w )] = Min β(w ) = d 1 S(Y, X) W W W Principe de Neyman : choisir le test qui maximise la puissance à risque de première espéce donné. Niveau d un test = risque de première espèce maximum. Test de niveau α 0 (5%,... ) : test (région critique) qui conduit à rejeter à tord l hypothèse nulle dans au plus α 0 % des cas. Règle alternative : Probabilité critique α c (p-value) Probabilité qu un tirage dans la loi de S sous H 0 fournisse une statistique au moins égale à celle obtenue. α c = P[L S( θ)] N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 72 / 136
22 Test d hypothèses Test sur la valeur d un paramètre I On sait que ˆb k MCO b k ˆσ 2 S k T N K 1. Si b k = b 0 alors ˆb k MCO b 0 ˆσ2 S k T N K 1 ; Si b k b 0 alors ˆb k MCO b 0 ˆσ2 S k ne suit pas T N K 1 Loi de Student : N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 73 / 136
23 Test d hypothèses Test sur la valeur d un paramètre II Test d égalité d un paramètre : { H0 : b k = b k 0 H 1 : b k b k 0 Statistique de test : t(b0 k) = ˆb k MCO b0 k. ˆσ 2 S k Région critique : Sous H 0 : t(b0 k) T N K 1. Loi de student : P[T N K 1 t N K 1 α ] = α P[t(b0 k) H0 N K 1 tα ] = α = risque de première espèce. Région critique de niveau α 0 : W = { (Y, X) : t(b k 0 ) } > t N K 1 α 0 En pratique : Choix d un niveau : α 0 ( 10%, 5%, 1%) ; Connaissant b MCO, on peut calculer t(b0) k ; Si t(b 0) k N K 1 t α 0 ou P[ T N K 1 t(b k 0 ) ] < α0 très improbable que cette statistique soit un T N K 1 i.e. on a au plus α 0 % de chances de se tromper en rejettant H 0 rejet. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 74 / 136
24 Test d hypothèses APPLICATION Test de nullité d un paramètre I Dans le modèle Y = Xb + u, Test de nullité : { H0 : b k = 0 H 1 : b k 0 Test de significativité des paramètres : la valeur vraie est elle différente de 0? La variable correspondante est-elle pertinente dans le PGD vrai? Statistique de test : t = b k MCO ; σ 2 S k Sous H 0 : t T N K 1 Région critique : rejet de H 0 dès lors que t > tα Probabilité critique : p telle que P[ T N K t ] = p N K 1. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 75 / 136
25 Test d hypothèses APPLICATION Test de nullité d un paramètre II ILLUSTRATION Mincer : t de Student et probabilités critiques.. reg lnw adfe exp exp lnw Coef. Std. Err. t P> t [95% Conf. Interval] adfe exp exp _cons Test de nullité à 5% : N K 1 lim t 5% = 1.96 N K 1 Tous coefficients significatifs à 5% Probabilités critiques : également à 1% Tests d égalité. t(b adfe = 0.065) = = < 1.96 accepté à 5% ; t(b adfe = 0.064) = = > 1.96 rejeté à 5% ; t(b adfe = 0.082) = = < 1.96 accepté à 5% ; t(b adfe = 0.083) = = < 1.96 rejeté à 5% ; L intervalle de confiance à 95% recouvre la région critique des tests à 5%! N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 76 / 136
26 Conclusion : Robustesse de l hypothèse de normalité Robustesse de l hypothèse de normalité Connaissant la loi de u i, inférence (i.e. conclusions probabilistes) sur la vraie valeur des paramètres.! Tous résultats vrais ssi la loi supposée pour les résidus est vraie. Hypothèse simplificatrice : Théorème de la limite centrale : pour toute suite de N variables aléatoires i.i.d., la moyenne tend vers une distribution normale lorsque N tend vers l infini. Illustration : Simulations On suppose une loi quelconque pour une variable aléatoire Z i ; On tire un échantillon de 6 observations ; On calcule la moyenne Z Z 1 ; On répète R fois l opération méta -échantillon de R moyennes ; Tracé de la distribution. N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 77 / 136
27 TCL Loi bimodale Conclusion : Robustesse de l hypothèse de normalité Variable aléatoire de loi bimodale : non centrée, non symétrique ; Distribution de la moyenne : N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 78 / 136
28 TCL Loi exponentielle Conclusion : Robustesse de l hypothèse de normalité Variable aléatoire de loi exponentielle : non centrée, non symétrique, strictement décroissante ; Echantillons de 6 observations ; Distribution de la moyenne : N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 79 / 136
29 TCL Loi normale Conclusion : Robustesse de l hypothèse de normalité! Propriétés asymptotiques échantillons de taille importante. Variable aléatoire de loi normale ; Echantillons de 6 observations Distribution de la moyenne : N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 80 / 136
30 Conclusion : Robustesse de l hypothèse de normalité Inférence sans l hypothèse de normalité Sous H3 MCO et H4 MCO, les résidus sont i.i.d. ; b MCO = (X X) 1 X Y = b + (X X) 1 X u = b + ( X X N ) 1 X u N b MCO est une fonction de la moyenne des X u. Pour toute distribution de u, TCL s applique. Permet de retrouver les résultats de distribution sans supposer la normalité.! Vrai lorsque l échantillon est grand Propriétés asymptotiques des MCO. Econométrie linéaire M1 (Chap. 2-3). N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap 3 81 / 136
31 Conclusion : Robustesse de l hypothèse de normalité ABOWD, J. M., F. KRAMARZ, ET D. N. MARGOLIS (1999) : High Wage Workers and High Wage Firms, Econometrica, 67(2), ANGRIST, J. D., ET G. W. IMBENS (1999) : Comment on James J. Heckman, "Instrumental Variables : A Study of Implicit Behavioral Assumptions Used in Making Program Evaluations", Journal of Human Resources, 34(4), ANGRIST, J. D., ET A. B. KRUEGER (1991) : Does Compulsory School Attendance Affect Schooling and Earnings?, Quarterly Journal of Economics, 106(4), ASHENFELTER, O., ET A. KRUEGER (1994) : Estimates of the Economic Return to Schooling from a New Sample of Twins, American Economic Review, 84(5), BECKER, G. S., ET N. TOMES (1986) : Human Capital and the Rise and Fall of Families, Journal of Labor Economics, 4(3), S1 S39. BLACK, S. E. (1999) : Do Better Schools Matter? Parental Valuation of Elementary Education, Quarterly Journal of Economics, 114(2), CARD, D. (1995) : Using Geographic Variation in College Proximity to Estimate the Return to Schooling, in Aspects of Labour Market Behavior : Essays in Honour of John Vanderkamp, ed. by L. N. Christofides, E. K. Gran, et R. Swidinsky, pp University of Toronto Press, Toronto. DEZHBAKHSH, H., ET J. M. SHEPHERD (2006) : The Deterrent Effect of Capital Punishment : Evidence from a "Judicial Experiment", Economic Inquiry, 44(3), N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap / 136
32 Conclusion : Robustesse de l hypothèse de normalité GALTON, F. (1886) : Regression Towards Mediocrity in Hereditary Stature, Journal of the Anthropological Institute, 15, LONGLEY, J. W. (1967) : An Appraisal of Least Squares Programs for the Electronic Computer from the Point of View of the User, Journal of the American Statistical Association, 62(319), MINCER, J. (1958) : Investment in Human Capital and Personal Income Distribution, Journal of Political Economy, 66(4), (1974) : Schooling Experience and Earnings. National Bureau of Economic Research, New York. SOLON, G. (1992) : Intergenerational Income Mobility in the United States, American Economic Review, 82(3), TREISMAN, D. (2000) : The causes of corruption : a cross-national study, Journal of Public Economics, 76(3), WOLFERS, J., ET J. J. DONOHUE (2005) : Uses and Abuses of Empirical Evidence in the Death Penalty Debate, Stanford Law Review, 58, N. Jacquemet (EEP Université Paris 1) Econométrie et applications CJ-Chap / 136
La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en 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 détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en 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 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 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 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 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 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 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 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 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 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en 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 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 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 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 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 détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
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 détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
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 détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en 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 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
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 détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
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 risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailLes salaires réels ont ils été affectés par les évolutions du chômage en France avant et pendant la crise?
Les salaires réels ont ils été affectés par les évolutions du chômage en France avant et pendant la crise? Grégory Verdugo Direction des Études microéconomiques et structurelles Service des Analyses microéconomiques
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 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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en 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 détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 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 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 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 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 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 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 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
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 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 détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
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 détailÉconométrie, causalité et analyse des politiques
Économétrie, causalité et analyse des politiques Jean-Marie Dufour Université de Montréal October 2006 This work was supported by the Canada Research Chair Program (Chair in Econometrics, Université de
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 détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
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 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 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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en 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 détailLes modèles de choix binaire
Chapitre 4 Les modèles de choix binaire Les modèles de régression linéaire développés ci-dessus concernent une variable dépendante continue (comme par exemple le salaire ou le taux de chômage). Ce chapitre
Plus en détailLes méthodes économétriques d évaluation
Les méthodes économétriques d évaluation Denis Fougère* Introduction Les méthodes d évaluation sont aujourd hui très fréquemment utilisées pour estimer les effets des interventions publiques en matière
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 détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
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 détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
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 détailExemples d application
AgroParisTech Exemples d application du modèle linéaire E Lebarbier, S Robin Table des matières 1 Introduction 4 11 Avertissement 4 12 Notations 4 2 Régression linéaire simple 7 21 Présentation 7 211 Objectif
Plus en détailComment bien régresser: La statistique peut-elle se passer d artefacts?
Comment bien régresser: La statistique peut-elle se passer d artefacts? Jean-Bernard Chatelain To cite this version: Jean-Bernard Chatelain. Comment bien régresser: La statistique peut-elle se passer d
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 détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
Plus en 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 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 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 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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailGuidance de Statistique : Epreuve de préparation à l examen
Guidance de Statistique : Epreuve de préparation à l examen Durée totale : 90 min (1h30) 5 questions de pratique (12 pts) 20 décembre 2011 Matériel Feuilles de papier De quoi écrire Calculatrice Latte
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 détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détail