Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
|
|
- Fabienne Grondin
- il y a 8 ans
- Total affichages :
Transcription
1 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 Montpellier II par Pierre Lafaye de Micheaux 16 décembre 2002 < R > 1/35
2 PLAN DE LA PRÉSENTATION Goodness-of-fit tests of normality for the innovations in ARMA models Objectifs Notion de test lisse de Neyman d ordre K Conditions sur le processus ARMA(p,q) La stratégie du test lisse appliquée au modèle ARMA Choix de l ordre K du test lisse A multivariate empirical characteristic function test of independence with normal marginals Objectifs et notations Tester l indépendance : cas non sériel Tester l indépendance : cas sériel Propriétés du processus limite Perspectives de recherche < R > 2/35
3 1. Goodness-of-fit tests of normality for the innovations in ARMA models 1.1. Objectifs Problème : On cherche à construire un test d ajustement de la normalité des innovations d un modèle ARMA(p, q) de moyenne connue. < R > 3/35
4 Le modèle ARMA(p,q) Processus stationnaire (Y t ; t Z) p q Y t ϕ i Y t i = θ i ɛ t i + ɛ t, t Z i=1 i=1 où les ϕ i et les θ i sont des réels et où (ɛ t ; t Z) est un bruit blanc de variance σ 2. Intéressant de tester la normalité de ce modèle? Intervalles de confiance pour une valeur prédite Y T +h. Efficacité des estimateurs des paramètres. Test de la validité du modèle (Pierce (1985), Brockett et al. (1988)). < R > 4/35
5 Autres tests existants? Tests basés sur la propriété : Y t Normale ɛ t Normale. perte de puissance. Utilisation de tests standards développés pour des observations i.i.d dans lesquels on injecte les résidus ɛ t. Ex : (Brockwell & Davis, 1991, p.314) suggèrent d appliquer le test de Shapiro-Francia aux résidus du modèle. Prendre des précautions. Simulations par Gasser (1975) qui montrent que le niveau et la puissance des tests du χ 2, d applatissement et d asymétrie peuvent être sérieusement affectés lorsqu ils sont utilisés dans le cadre des modèles ARMA. < R > 5/35
6 Notre approche : Test d ajustement de la normalité des innovations d un modèle ARMA(p, q) de moyenne connue, basé sur l approche des tests lisses de Neyman. < R > 6/35
7 1.2. Notion de test lisse de Neyman d ordre K Échantillon X 1,..., Xn de f.r. F : on veut tester H 0 : F = F 0 Transformation des données : U i = 2F 0 (X i ) 1 de densité g. On est ramené à tester H 0 : g = g 0 = Unif[ 1, 1] Emboîtement de la densité g 0 par la forme supposée de la densité g K g g K (y, η) = C(η) exp η i π i (y) 1l[ 1, 1] i=1 On est ramené à tester H 0 : η = 0 vs H 1 : η 0. < R > 7/35
8 Application du test du score de Rao : Rn = na T n,η 0 I 1 η 0 an,η 0 L χ 2 K sous H 0 où anη = 1 n Log(g K (U i, η)),..., 1 n Log(g K (U i, η)) n η i=1 1 n η i=1 K est le vecteur du score et où la matrice Iη 0 définie par n Iη 0 (i, j) = Eη=η 2 0 Log(g η l=1 i η K (U l, η)) j est l information de Fisher évaluée en η 0. Ici bien sûr, η 0 = 0. < R > 8/35 T
9 1.3. Conditions sur le processus ARMA(p,q) Causalité Inversibilité Les polynômes 1 ϕ 1 z... ϕpz p et 1 + θ 1 z θqz q n ont pas de racines communes. Sous ces conditions, on a les deux écritures : et Y t = ψ j ɛ t j j=0 ɛ t = δ j Y t j. j=0 < R > 9/35
10 1.4. La stratégie du test lisse appliquée au modèle ARMA On dispose d un échantillon {Y 1,..., Y T } que l on ajuste par Maximum de vraisemblance à un ARMA(p,q) de bruit blanc (ɛ t, t Z). Soit Φ la f.r. d une N(0,1). Nous définissons ) ( ɛt Û t = 2Φ 1 t = 1,..., T σ avec ɛ t = δ j Y t j j=0 et où δ j est fonction des EVM ϕ et θ. < R > 10/35
11 Le vecteur du score pour la famille d emboîtement K g K (y, ω) = C(ω) exp ω k L k (y) 1l[ 1, 1] k=1 s écrit alors L = 1 T où T L t t=1 L t = (L 1 (Ût ),..., L K (Ût ))T. < R > 11/35
12 Nous avons alors pu démontrer le théorème suivant. Théorème R K = T L T ( I K 1 2 b K bt K ) 1 L L χ 2 K où b K = (b 1,..., b k ) T avec b k = R L k (2Φ(x) 1)x2 φ(x)dx. < R > 12/35
13 En utilisant la décomposition de Choleski, nous avons montré ( I K 1 2 b K bt K) 1 = P P T avec P = (p ij ). En posant L k (Ût ) = k l=1 p lk L l (Ût ), nous avons pu écrire R K = K 1 T 2 L T k (Ût). k=1 t=1
14 En utilisant la décomposition de Choleski, nous avons montré ( I K 1 2 b K bt K) 1 = P P T avec P = (p ij ). En posant L k (Ût ) = k l=1 p lk L l (Ût ), nous avons pu écrire R K = K 1 T 2 L T k (Ût). k=1 t=1 } {{ } L χ 2 1 < R > 13/35
15 1.5. Choix de l ordre K du test lisse Posons K = min [ Argmax{Rs slog(t)} d s D ] d = 2 et D = 10 Nous avons démontré le Théorème Sous H 0, K P d et R K(d) L χ 2 d. Simulations g K(, ω) < R > 14/35
16 2. A multivariate empirical characteristic function test of independence with normal marginals 2.1. Objectifs et notations Objectif 1 : Soit ɛ = (ɛ (1),..., ɛ (p) ) T R pq. On veut construire un test d indépendance des composantes ɛ (j), j = 1,..., p. Conditions : On suppose que ces composantes sont de loi normale Nq(µ, Σ). < R > 15/35
17 Objectif 2 : Soit u 1, u 2,... une suite stationnaire de vecteurs aléatoires de loi Nq(µ, Σ). On veut construire un test d indépendance de ces u i. < R > 16/35
18 Les marginales ɛ (1),..., ɛ (p) sont indépendantes si et seulement si µ A 0, pour tout A {1,..., p}, A > 1. µ A (t) = ( 1) A\B Cp(t B ) C (j) (t (j) ), B A j A\B (t B ) (i) { = t (i), i B; 0, i Ip\B. < R > 17/35
19 Cas p = 3. µ {1,2} (t) = Cp(t {1,2} ) C (1) (t (1) )C (2) (t (2) ). On voit que µ {i,j} = 0 ɛ (i) ɛ (j), i, j = 1, 2, 3; i < j. µ {1,2,3} (t) = Cp(t {1,2,3} 3 ) + 3 C (j) (t (j) ) j=1 Cp(t {1,2} )C (3) (t (3) ) Cp(t {1,3} )C (2) (t (2) ) Cp(t {2,3} )C (1) (t (1) 3 ) C (j) (t (j) ). j=1 On voit que µ {1,2,3} = 0 {ɛ (1), ɛ (2), ɛ (3) } indépendants. < R > 18/35
20 2.2. Tester l indépendance : cas non sériel On pose e (k) = S 1 2(ɛ (k) ɛ), où ɛ = j j np 1 nj=1 p k=1 ɛ(k) j et S = np 1 nj=1 p k=1 (ɛ(k) ɛ)(ɛ (k) ɛ) j j T. Le processus que l on considère, pour un sous-ensemble A de {1,..., p}, est R n,a (t) = n ( 1) A\B φn,p(t B ) φ(t (i) ) B A i A\B où φn,p(t) = 1 n n exp(i t, e j ) j=1 et où φ est la fonction caractéristique d une Nq(0, Iq). < R > 19/35
21 En utilisant la formule multinomiale, on peut écrire R n,a (t) = 1 n n j=1 [exp(i t (k), e (k) ) φ(t (k) )]. j k A < R > 20/35
22 Nous avons alors démontré le Théorème Si ɛ (1) 1,..., ɛ(p) 1 sont indépendants, les processus { R n,a : A > 1} convergent dans C(R pq, C) vers des processus complexes Gaussiens indépendants de moyenne 0 {R A : A > 1} ayant pour fonction d autocovariance C A définie par C A (s, t) = [ φ(t (k) s (k) ) φ(t (k) )φ(s (k) ] ) k A et pour fonction de pseudo-autocovariance C A (s, t) = E[R A (s)r A (t)] = C A ( s, t). < R > 21/35
23 La statistique de test de Cramér-von Mises que nous proposons, pour un ensemble A donné, est T n,b,a = 1 n R pq R n,a (t) 2 ϕ b (t)dt où ϕ b est la densité d une Npq(0, b 2 I). < R > 22/35
24 Nous avons alors pu écrire cette statistique sous la forme { [ 1 n n n 2 exp b2 ] l=1 l 2 e(k) e (k) l l 2 =1 k A [ (b 2 + 1) q 2 exp 1 b 2 ] 2 b e(k) 2 l [ (b 2 + 1) q 2 exp 1 b 2 ] } 2 b e(k) l 2 + (2b 2 + 1) q 2 Invariance par les transformations affines (distance de Mahalanobis). < R > 23/35
25 La fonctionnelle de Cramér-von Mises n est pas continue ; on ne peut donc pas utiliser le Théorème principal de Billingsley (1968). Nous avons donc démontré le théorème suivant. Théorème (Généralisation de Kellermeier (1980)) Soient y n et y des éléments aléatoires de C(R pq, C) 2 tels que D y n y sur toutes les boules compactes. Soit f : C 2 R une fonction continue et soit G une mesure de probabilité sur R pq. On définit wn = f(y n (t))dg(t) et w = f(y(t))dg(t). Supposons que wn et w sont bien définies avec probabilité 1. De plus, supposons qu il existe α 1 tel que pour tout ɛ > 0, lim lim sup j n R pq \R pq j E f(y n (t)) α dg(t) = 0. Alors wn D w quand n. < R > 24/35
26 En utilisant le théorème précédent, nous avons montré le Théorème ( R n,a (t) 2, R n,b (t) 2) ϕ b (t)dt D ( R A (t) 2, R B (t) 2) ϕ b (t)dt. On peut alors considérer tous les ensembles A simultanément en utilisant les statistiques de test Sn = n T n,b,a A >1 ou Mn = n max A >1 T n,b,a. < R > 25/35
27 2.3. Tester l indépendance : cas sériel On veut tester l indépendance des u i qui sont supposés de loi Nq(µ, Σ). On définit ɛ i = (u i,..., u i+p 1 ) R pq et e i = (û i,..., û i+p 1 ) R pq, i = 1,..., n p + 1. On définit aussi û i = S 1 2(u i u), S = n 1 nj=1 (u j u)(u j u) T et u = 1 n nj=1 u j. Encore une fois, le processus que nous utilisons est R n,a (t) = n ( 1) A\B φn,p(t B ) φ(t (i) ), B A i A\B où φn,p(t) = 1 n n p+1 j=1 exp(i t, e j ). < R > 26/35
28 Théorème Si les u i sont indépendants, les processus { R n,a : A > 1} convergent dans C(R pq, C) vers des processus complexes Gaussiens indépendants de moyenne 0 {R A : A > 1} ayant pour fonction d auto et de pseudo-covariance C A et C A comme précédemment. Les mêmes statistiques de test que dans le cas non sériel sont alors utilisable et on obtient les mêmes résultats. Test universel pour détecter toute forme de dépendance. Test convergent. < R > 27/35
29 2.4. Propriétés du processus limite Notons k = A. R pq R A (t) 2 ϕ b (t)dt T b,a = (i 1,...,i k ) N k λ (i1,...,i k ) Z 2 (i 1,...,i k ) où les Z (i1,...,i k ) i.i.d. sont des variables aléatoires réelles N(0, 1) < R > 28/35
30 On a λ (i1,...,i k ) = k l=1 λ il où les λ j sont les valeurs propres de l opérateur intégral O défini par O(f)(s) = R q f(t)k(s, t)ϕ b (t)dt avec K(s, t) = exp( 1 2 s t 2 ) exp( 1 2 ( s 2 + t 2 )). Le problème est donc de résoudre, en λ (et f), l équation linéaire intégrale de Fredholm homogène d ordre 2 λf(s) = R q f(t)k(s, t)ϕ b (t)dt. Noyau possédant de bonnes propriétés. < R > 29/35
31 Calcul explicite des valeurs propres impossible. Calcul approché possible en discrétisant le problème. q R q f(ν)(2π) 2e ν 2 N 2 dν = B j f(ν j ) j=1 où les paramètres B j et ν j = (ν j,1,..., ν j,q ), j = 1,..., N peuvent être respectivement les coefficients et les points d une formule de cubature, ou alors peuvent être obtenus par une simulation de Monte-Carlo auquel cas B j = N 1 et ν j N(0, I), j = 1,..., N. Connaissant les valeurs propres on peut utiliser l algorithme de Davies (1973, 1980), consistant en une inversion de la fonction caractéristique, pour obtenir les valeurs critiques du test. < R > 30/35
32 Une autre possibilité pour obtenir les valeurs critiques du test est de calculer tous les cumulants de T b,a et ensuite d appliquer la méthode de Cornish-Fisher. Nous avons pu obtenir les cumulants de façon explicite grâce à une formule de récurrence. Vérification de la méthode utilisant les valeurs propres. < R > 31/35
33 3. Perspectives de recherche Extension des résultats du test lisse pour le modèle ARMA au cas d autres modèles comme les ARIMA, SARIMA, etc... Généralisation du test basé sur la fonction caractéristique à des marginales de loi non fixée. < R > 32/35
34 Table des matières 1 Goodness-of-fit tests of normality for the innovations in ARMA models Objectifs Notion de test lisse de Neyman d ordre K Conditions sur le processus ARMA(p,q) La stratégie du test lisse appliquée au modèle ARMA Choix de l ordre K du test lisse A multivariate empirical characteristic function test of independence with normal marginals Objectifs et notations Tester l indépendance : cas non sériel Tester l indépendance : cas sériel Propriétés du processus limite Perspectives de recherche 32 < R > 33/35
35 Références BILLINGSLEY, P. (1968). Convergence of probability measures. New York : John Wiley & Sons Inc. BROCKETT, P. L., HINICH, M. J. & PATTERSON, D. (1988). Bispectral-based tests for the detection of gaussianity and linearity in time series. Journal of the American Statistical Association 83, BROCKWELL, P. J. & DAVIS, R. A. (1991). Time series : Theory and Methods. Springer-Verlag New York, 2nd ed. DAVIES, R. B. (1973). Numerical inversion of a characteristic function. Biometrika 60, DAVIES, R. B. (1980). [Algorithm AS 155] The distribution of a linear combination of χ 2 random variables (AS R53 : 84V33 p ). Applied Statistics 29, GASSER, T. (1975). Goodness-of-fit tests for correlated data. Biometrika 62, < R > 34/35
36 KELLERMEIER, J. (1980). The empirical characteristic function and large sample hypothesis testing. J. Multivariate Anal. 10, PIERCE, D. (1985). Testing normality in autoregressive models. Biometrika 72, < R > 35/35
37 Formule multinomiale Soit A = {k 1,..., k A } un ensemble fini ( A désigne le cardinal de A) et u, v R A. On adopte la notation u = (u 1,..., u A ) T N = (u (k 1 ) (k,..., u A ) ) T. Alors u (i) v (j) = (u (i) + v (i)) B A i B j A\B i A < R > 36/35
38 Pour aller à la page k : CTRL+N puis k puis Enter. Pour aller à la page suivante : Page Down (ou cliquer sur > en bas de page). Pour revenir à la page précédente : Page Up (ou cliquer sur < en bas de page). On peut cliquer sur le texte écrit en rouge sur certaines pages pour accéder à la cible qu il désigne. Ensuite cliquer sur R (ou taper CTRL+<-) en bas de page pour revenir à la page d où l on vient. Pour fermer le document, taper sur la touche Esc (ou Echap). Pour mettre en plein écran, taper CTRL+L. < R > 37/35
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en 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 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 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 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 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 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 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 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 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en 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 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 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 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailLe modèle de 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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en 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 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 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 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 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 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 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 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 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 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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en 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 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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en 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 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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en 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 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 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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
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 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 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 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 détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
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 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 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 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 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 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 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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
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 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 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 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 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 détailTests exacts d indépendance sérielle dans les cas de distributions continues et discrètes
Tests exacts d indépendance sérielle dans les cas de distributions continues et discrètes Jean-Marie Dufour Université de Montréal Abdeljelil Farhat Université de Montréal First version: August 2001 This
Plus en détailCarl-Louis-Ferdinand von Lindemann (1852-1939)
Par Boris Gourévitch "L'univers de Pi" http://go.to/pi314 sai1042@ensai.fr Alors ça, c'est fort... Tranches de vie Autour de Carl-Louis-Ferdinand von Lindemann (1852-1939) est transcendant!!! Carl Louis
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
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 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 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 détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en 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 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 détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
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 détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en 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 détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en 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 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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
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 détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailLe produit semi-direct
Le produit semi-direct Préparation à l agrégation de mathématiques Université de Nice - Sophia Antipolis Antoine Ducros Octobre 2007 Ce texte est consacré, comme son titre l indique, au produit semi-direct.
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 détailLicence à distance Chapitre V : Equations différentielles. Méthodes numériques à un pas.
Licence à distance Chapitre V : Equations différentielles. Méthodes numériques à un pas. M. Granger Table des matières 1 Rappels sur le cours d équations différentielles 2 1.1 Généralités..........................................
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailUne forme générale de la conjecture abc
Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en 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 détail