Asymétrie

FREQ /ORDER=ANALYSIS. Ressources Temps de processeur 00:00:02.12 Temps écoulé 00:00:02.73 Statistiques Utilisation (X) Sexe N Valide 45 45 Manquante 0 0 Moyenne 1,93 1,47 Médiane 2,00 1,00 Mode 1 1 Ecart-type ,889 ,505 Variance ,791 ,255 Asymétrie ,134 ,138 Erreur std. d'asymétrie ,354 ,354 Aplatissement -1,753 -2,075 Erreur std. d'aplatissement ,695 ,695 Intervalle 2 1 Centiles 25 1,00 1,00 50 2,00 1,00 75 3,00 2,00 Tableau de fréquences Utilisation (X) Effectifs Pourcentage Pourcentage

skewness). ϕ 84 + ϕ16 − 2ϕ 50 ϕ 95 + ϕ 5 − 2ϕ 50 Sk = + 2(ϕ 84 − ϕ16 ) 2(ϕ 95 − ϕ 5 ) •  Ce paramètre est souvent présenté comme un indicateur de l’environnement de dépôt sédimentaire Coefficient de dissymétrie et environnement de dépôt Valeur Asymétrie Interprétation Sk <1 Positive Courant faible Sk>1 Négative Courant fort Paramètres granulométriques les plus usités •  Le coefficient d’acuité (K – kurtosis), mesure la forme du pic de la courbe ϕ 95 − ϕ 5 K= 2, 44(ϕ 75 − ϕ 25 ) Paramètres

rejetée. Les queues des distributions empiriques des rendements sont généralement plus épaisses que celles d’une loi gaussienne. On parle alors de distribution leptokurtique. Histrogramme des Rendements sur SP500 On remarque l’existence d’une asymétrie à gauche est des queues plus épaisse que la distribution théorique Normale Pour tester l’existence d’une distribution leptokurtique visualisé dans l’histogramme de la série on procède a deux tests KURTOSIS et SKEWNESS, Après un teste générale

l’information obtenue). Ou n’allez-vous pas essayer d’obtenir l’information avant de payer (au risque de ne plus payer, au prétexte, réel ou imaginaire, que l’information ne vous intéresse pas) ? Ces situations sont caractéristiques de l’existence d’une asymétrie d’information. Celle-ci peut être du côté du vendeur (celui-ci en sait plus que vous, et le problème à résoudre a été caractérisé comme un problème de sélection adverse, pour l’acheteur). Le marché des véhicules d’occasion étudié par l’économiste

Régression linéaire – Aide mémoire Types de variables Variable dépendante : Y Variables explicatives : X1, X2, X3, …, Xp Modèle : Y = β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + … + β p X p + ε Hypothèses - sur la forme du modèle : (H1) linéarité du modèle et choix des régresseurs (hypothèse de bonne spécification) - sur les erreurs : (H2) ε 1 , ε 2 , … , ε T ont une moyenne nulle, c’est-à-dire Ε(ε t ) = 0 ∀t = 1, … , T (H3) homoscédasticité : Var (ε t ) = σ 2 ∀t = 1,…, T (H4) non autocorrélation

Introduction : Dans le cadre du cours de probabilités et statistiques et afin d’appliquer les notions acquises nous vous présentons ce mini-projet dont le thème est « l’investissement à l’Oriental ». La région de l’Oriental recèle d’importantes ressources naturelles et humaines qui font de la région un pôle d’attraction des investissements nationaux et internationaux dans les domaines touristiques, industriels et miniers, malgré d’avoir été une région caractérisée, pendant plusieurs décennies

UN POÈME MUSICAL, SUR LA MUSIQUE. Les perceptions auditives nous sont suggérées par les instruments de musique : viole, flûte, mandore, harpe dessinent un orchestre Renaissance ; le Magnificat évoque, lui, un chant religieux. Les sonorités du poème « appellent » elles-même la musique : douceur des sifflantes et des fricatives [s] et [f] tout au long du poème, persistance de la rime [an] dans les deux premiers quatrains, reprise en assonance dans les deux derniers : [ange] et [ance], continuité

 Graphes D’après les graphes on remarque X2 X3 X4 X6 ne sont pas stationnaires On va travailler avec le logarithme népérien sur les variables X2 X3 X4 X5 X6 Tableau de régression Dependent Variable: LVENTE Method: Least Squares Date: 06/26/14 Time: 15:19 Sample: 1971 1984 Included observations: 14 Variable Coefficient Std. Error t-Statistic Prob.   LX2 0.108262 0.040065 2.702182 0.0270 LX3 -0.243122 0.074207 -3.276263 0.0113 LX4 0.130651 0.057756 2

test sur les résidus des rendements au carré pour la chine rcds2_chine Corrélogramme Q-Stat Corrélogramme squared résiduals Arch test Les probabilités étant supérieures à 5%, on accepte Ho. Il n'y a pas d'effet arch. Test sur les coefficients du modèle On fait ce test pour savoir si on a raison de faire un AR(2) Histogramme On constate que la kurtosis est de 20.166, elle est supérieure à 3 donc la distribution est leptokurtique. La skewness est égale à 3.417, elle est

Contrairement à la première partie ou nous avons construit un indicateur de volatiltié, pour effectuer ensuite une régression pour y dégager les determinants explicatifs, nous allons ici modéliser la volatilité à l’aide du processus (G)ARCH précédemment décrit plus haut. 1 – description statistique des rendements du prix des matières prmeières agricoles en termes reels : cluster de volatiltié : on peut observer la propriété des clusters de volatilité avec de fortes variations des rendements