Contenu du sommaire

La loi dite « de Benford » s'applique à une variable X dont le logarithme a une partie fractionnaire uniforme. Il a été montré qu'elle s'applique approximativement à de nombreuses séries numériques réelles.Diverses explications ont été avancées, qui s'appuient sur certaines particularités des données utilisées, en lien avec les caractéristiques de la fonction log. Une hypothèse bien plus élémentaire et générale a toutefois été proposée récemment, selon laquelle c'est le caractère régulier et étalé des données qui, seul, entraîne la loi de Benford.Si cette explication est bonne, la loi de Benford ne dépend pas fondamentalement de l'utilisation de la fonction log . Dans cet article, nous testons la « loi de Benford générale » pour la fonction u selon laquelle la partie fractionnaire de u(X) est uniforme. Des données réelles, des suites mathématiques, et des variables à densité, sont testées pour les fonctions log o log, racine, et  carré (multiplié par pi). Les résultats confirment que la fonction log n'a rien de particulier, et donnent quelques précisions sur l'intérêt et les propriétés des diverses variantes (quand on fixe u) de la loi de Benford générale.

Nous présentons un nouveau modèle qui décrit le schéma par âge d'entrée dans une nouvelle situation. L'introduction du taux de recrutement rend l'utilisation de ce modèle très simple, en particulier pour simuler l'évolution d'une population au cours du temps. Le modèle est défini par trois paramètres : a0, l'âge minimal à l'événement, pmax, la proportion maximale de la population qui connaîtra l'événement, et rmax le taux maximal de recrutement. Ce modèle est testé sur l'entrée en premier mariage, et est comparé au modèle de Coale-McNeil. Nous avons appliqué ce modèle au cas de la Zambie, ainsi qu'à divers pays africains ayant des schémas différents. Le modèle peut s'appliquer à divers processus, tels que les premiers rapports sexuels, la première naissance, le premier emploi, la première migration adulte, etc.

Depuis quelques années, la théorie des valeurs extrêmes a reçu beaucoup d'attention aussi bien sur le plan théorique que sur le plan pratique. Les domaines d'applications sont en effet très variés : hydrologie, météorologie, biologie, ingénierie, gestion de l'environnement, finance, assurance, sciences sociales, etc. ; en effet la gestion des risques est devenue aujourd'hui fondamentale dans tous ces domaines. Cependant, ce type d'analyse basé sur la théorie des valeurs extrêmes est limité, voire très limité pour analyser les risques encourus sur le marché pétrolier alors que ces techniques peuvent sans doute aider à l'étude quantitative des risques. Le succès croissant de cette théorie nous a incité à mieux explorer son apport en matière de la gestion des fluctuations extrêmes sur le marché pétrolier.

Dans l'analyse des correspondances multiples, la contribution de chaque variable nominale à l'inertie est différente selon le nombre des modalités, ou des catégories de cette variable. Habituellement, pour les variables ayant beaucoup de modalités (ou catégories) il y a des modalités peu fréquentes (les « classes faibles ») qui contribuent à l'inertie de la variable correspondante de façon disproportionnée. Souvent, ces modalités contribuent fortement à la détermination des premiers axes factoriels ce qui a pour conséquence de ne pas correctement représenter le problème étudié. L'analyse spécifique des correspondances multiples traite le problème des modalités peu fréquentes en les supprimant. C'est-à-dire, qu'elle les ignore purement et simplement dans le calcul des distances entre les individus [Le Roux B., 1999 ; Le Roux B., Rouanet H., 2004].Dans cet article, nous traitons ce problème d'une façon différente. Nous maintenons les modalités faibles dans l'analyse. Ce que réalise notre analyse, c'est de remplacer la métrique du khi-deux, par une nouvelle métrique qui prend également en compte le nombre de modalités de chaque variable : c'est aussi d'attribuer un effet raisonnable aux modalités faibles et d'équilibrer toutes les variables nominales. En outre, nous tenons compte, uniformément, des modalités faibles, qu'elles dérivent de beaucoup ou de peu de variables, bien que la plupart des cas « dangereux » sont ceux des variables qui ont beaucoup de modalités. Seules les variables à deux modalités ne sont pas concernées