Mathématique

Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/3465

Browse

End date: 2019Subject: search.filters.subject.Simulation

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Estimation et prévision d'un modéle self-exciting threshold autorégressive
    (2016) Maddi, Nabil; Hamouda, Oussama
    Notre objectif dans ce travail est d'estimer les paramètres d'un modèle SETAR par la méthode des moindres carrées ordinaire et de prévoir _a partir de ce modèle les données d'une sérié réelle par la méthode de prévision ponctuelle Monte Carlo (MC). Ce présent mémoire est structure comme suit : _ Première chapitre Les modèles non linéaires a seuils. Nous définissons les modèles non linéaires _a changement de régimes dans le cadre des séries temporelles, globalement, et la classe des modèles _a seuils particulièrement. Nous passons en revue les modèles les plus connus dans cette catégorie, _a savoir : les modèles TARMA, TMA, TAR, SETAR, STAR,.... . _ Deuxième chapitre Estimation d'un modèle SETAR par la méthode MCO. Ce chapitre est consacré a l'estimation du modèle SETAR par la méthode des moindres carres ordinaire (MCO) nous introduisant ce chapitre par des notations et définition nécessaire pour la suit de notre travail. _ Troisième chapitre Simulation. Nous exposons les résultats de simulation sur différents modèles SETAR et pour modèles de type SETAR _a deux régimes et _a l'ordre p=1. Nous avons montrer, par simulation, la performance de la méthode d'estimation des paramètres du modèle SETAR. _ Quatrième chapitre prévision Nous avons définis les méthodes de prévision ponctuelles parmi ces méthodes on a choisi de traiter la méthode de Monte Carlo ,que nous appliquons sur des données reelles.des échantillons de différentes tailles (N=50,200,500,1000) .
  • No Thumbnail Available
    Item
    Estimation non paramétrique de la densité de probabilité et de la fonction de régression
    (2016) Boukhames, Oussama; Zaidi, Mohamed
    Dans ce mémoire, nous nous intéressons à l’estimation non paramétrique de la densité de probabilité et la fonction de la régression. Dans un premier temps, nous rappelons les méthodes et les propriétés de l’estimateur à noyau de la densité de probabilité. Puis nous nous pencherons sur l'estimation de la fonction de régression. Notre étude est illustrée par des simulations afin de montrer la performance des estimateurs étudiés.