RAPPELS DE STATISTIQUE M1
Exemple : On a vu plus haut que l'information de Fisher d'un mod`ele d'échantillonnage dans la loi normale est d'autant plus forte que la variance est petite.
Chapitre 4 Estimation par vraisemblance
covθ ) désigne la matrice de variance (resp. la covariance) sous la loi Pθ . Pour motiver le concept d'information de Fisher supposons pour simpli- fier que Θ
TD 3 : Information de Fisher méthode du χ 1 Information de Fisher
17 nov. 2009 On se contente donc de calculer l'information de Fisher dans le cas ... Q3 une loi uniforme sur [0θ] avec θ > 0 inconnu. Solution: Pour une ...
Mise `a niveau Comparaison destimateurs
Exemple 3 : la loi uniforme Soit X ∼ U ([0θ]) avec θ ∈ Θ = R∗. +
T. D. n 6 Information de Fisher et maximum de vraisemblance
Exercice 1. Information efficacité et loi de Gauss. Soit X une variable aléatoire suivant une loi normale N(µ
Mesure dordre de linformation au sens de Fisher
analogue à celle de CRAMER-RAO pour les valeurs entières de a. 3) Cas de lois normales ou uniformes a) Soit X une variable aléatoire suivant une loi normale
T. D. n 6 Information de Fisher et maximum de vraisemblance
Exercice 1. Information efficacité et loi de Gauss. Soit X une variable aléatoire suivant une loi normale N(µ
TD 5 : Comparaison et optimalité des estimateurs
Si oui calculer l'information de Fisher I1(θ) du modèle à une observation. 2. Donner un estimateur du maximum de vraisemblance ainsi que sa loi limite. 3. Est-
Test dAjustement à une Loi Normale Vectorielle
8 avr. 2022 ... information de Fisher d'une loi normale mul- tidimensionnelle par la méthode directe est assez long; c'est pourquoi on es-. Page 6. 85 saie d ...
TD 3 : Information de Fisher méthode du ? 1 Information de Fisher
Nov 17 2009 1 Information de Fisher. Calculer l'information de Fisher dans les mod`eles statistiques suivants : Q1 une loi de Poisson de param`etre ? :.
Année Universitaire 2006-2007 COURS DE STATISTIQUE
la loi de X est normale (avec ?2 connue puis ?2 inconnue). IT (?) représente l'information de Fisher au point ? dans le mod`ele (Y; PT ? ) o`u PT.
RAPPELS DE STATISTIQUE M1
Exemple : On a vu plus haut que l'information de Fisher d'un mod`ele d'échantillonnage dans la loi normale est d'autant plus forte que la variance.
T. D. n 6 Information de Fisher et maximum de vraisemblance
Exercice 1. Information efficacité et loi de Gauss. Soit X une variable aléatoire suivant une loi normale N(µ
Statistique Inférentielle Avancée
13.2.1 Table 1 de la loi normale centrée réduite . Il y a en fait un lien entre l'exhaustivité et l'information de Fisher comme on le verra plus tard.
Mesure dordre de linformation au sens de Fisher
analogue à celle de CRAMER-RAO pour les valeurs entières de a. 3) Cas de lois normales ou uniformes a) Soit X une variable aléatoire suivant une loi normale
Modélisation Statistique (MAP-STA1) - M1-Mathématiques
définition mathématique de l'information (de Fisher) et indépendantes X et Y de même loi ... converge en loi sous IP?? vers une loi normale :.
Fisher information and the fourth moment theorem
au sens de l'information de Fisher vers la loi gaussienne d'une suite d'éléments de convergence associée pour la convergence normale d'une version ...
Sur lEstimateur du Maximum de Vraisemblance (emv)
Jan 9 2017 L'information de Fisher caractérise la borne de Cramer-Rao ; on a ... converge en loi vers une var Z suivant la loi normale N(0
T. D. n 6 Information de Fisher et maximum de vraisemblance
Exercice 1. Information efficacité et loi de Gauss. Soit X une variable aléatoire suivant une loi normale N(µ
LICENCED'INGENIERIEMATHEMATIQUES
AnneeUniversitaire2006-2007
COURSDESTATISTIQUEINFERENTIELLE
(VersionAvril2007) JER^OMEDUPUIS
UNIVERSITEPAULSABATIER(ToulouseIII)
1 2SOMMAIRE
1.Exemplesintroductifsetgeneralites
1.1Exemplesintroductifs
1.2Generalites
2.Modelesstatistiques
2.2Autresmodelesstatistiques
3.Exhaustiviteetinformation
3.1Unexempleintroductif
3.2Exhaustivite.
3.3InformationdeFisher
4.L'estimationponctuelle
4.1Denitiond'unestimateur
4.2Proprietesd'unestimateur
4.3Comparaisonentreestimateurs
4.4Estimateurdumaximumdevraisemblance
4.5Estimateurdesmoments
35.L'estimationparintervalledeconance
5.1Denition,exempleetcommentaires
5.2Quelquesprincipesgeneraux
5.3Intervallesdeconanceclassiques
6.Lestests
6.1Exemplesintroductifs
6.2Laproblematiqued'untest
6.3L'approchedeNeyman-Pearson
6.5Lapratiquedestests.
-laloideXestquelconque. -laloideXestquelconque -comparaisondesvariances(testdeFisher). -comparaisondesmoyennes(testdeStudent).6.6Testsnonparametriques.
6.6.1TestdessignesettestdeWilcoxon.
46.6.3Testduchi-deuxd'independance.
51.1Exemplesintroductifs
ExempleNo1.
ExempleNo2.
2. deceresultatquelapieceestequilibree?ExempleNo3.
6 exponentielledeparametresisadensiteest: f(x)=1 exph xi1I[0;+1[(x):
ousi,al'inverse>T.Commentaires
X1.2Generalites
7 modelisation(aleatoire)desdonnees. statistiquedechoixdemodeles). b)Validerlemodeleretenu. testsportantsurlesparametresdumodele. derniereetapedecetteprocedure. aleatoires. 8Chapitre2.MODELESSTATISTIQUES
Denition.
Commentaires.
poseeconnue;seulleparametreestinconnu. momentoul'onsedonnelaloideX,asavoirP. appelleunechantilloni.i.d.deloiP. l'espacesdesobservations. yamodelisation(etmodele). (Xn;B n;P n ;2)ouP n munidelatribuproduitB n. 9Notations.
Exemples.
laloideBernoullideparametre2=[0;1]. aunseullancer)denisurl'espace ouB=P(f0;1g)Remarques.
10 fonctionL:![0;1]denieparDanslecadredumodeled'echantillonnage
L(;x1;::::xi;:::;xn)=nY
i=1f(xi;): x2.3Autresmodelesstatistiques.
SituationNo1.
11SituationNo2.
Commentaires.
123.1Unexempleintroductif
estegaleaPn cela.3.2Exhaustivite.
Denition1.
Commentaires
IlconvientdenoterqueTnedependpasde.
Exemplesdestatistique
X=IRetY=IR.
(x1;:::;xi;:::;xn)7!T(x1;:::;xi;:::;xn)= xn. i=1x2i.Xn,T=Pn
iX2i,etc.Denition2.
Exemple
iXiestexhaustive.On 13 verieeneetfacilementque:P(X=xjT=t)=t(1)nt
Ctnt(1)nt=1CtnsinX
i=1x i=t etqueP(X=xjT=t)=0sinon.Theoremedefactorisation(admis).
ExempleNo1
i=1Xiestexhaustive puisque f(x;)=1 Qn i=1xi!T(x)exp[n] factoriseautraversde: g(x)=1 Qn i=1xi! etde h(T(x;))=T(x)exp[n]ExempleNo2
Pn i=1Xi;Pn3.3InformationdeFisher
14H1:82;8x2X;f(x;)>0.
H2:82;8x2X;@
@f(x;)et@2@2f(x;)existent. H3:82;8B2Bonpeutderiver2foisR
Bf(x;)dxparrapportasouslesigne
Remarques.
f(x;)=11I[0;](x).
3.3.1Denition
Soitlemodele((X;B);P;2).Laquantite
I()=E"
@logf(X;) 2# s'appellel'informationdeFisheraupoint.OnappellescorelaquantiteS(x;)=@
@logf(x;).Onadonc:I()=E[S2]
I()=E"
@2 @2logf(X;)# quecelledeladenition. 15Exemple.
3.3.3Proprietesdel'informationdeFisher
Propriete1.
I()0pourtout
Propriete2.
Q I (X;Y)()=IX()+IY()Consequence.
I (X1:::;Xi;:::;Xn)=nIX()Propriete3.(admise)
I I laloiimagedePparT.Exemple
iXiest 16 exhaustive.Onad'unepart: I (X1:::;Xi;:::;Xn)()=nIX()=n (1):D'autrepart,laloideT=Pn
pourdensite f(t;)=Ctnt(1)nt;t2f0;:::ng onendeduitque: 2 @2logf(t;)=" t2+nt(1)2# d'ouIT()=n (1)puisqueE[T]=n(cqfd). 17Chapitre4.L'ESTIMATION
4.1Denitiond'unestimateur
Autrementdit:
T:Xn! x7!T(x)Commentaires
aleatoireX. rappelerquelatailledel'echantillonestn)Exemple
b n(x)=Argmax2L(;x): 18 b nsuituneloiN(;2 n).4.2Proprietesd'unestimateur
4.2.1Estimateursansbiais
Soit bunestimateurde.Exemple
bn=XnestunestimateursansbiaisdeE[X].Remarque
Exemple
c2=1nP nParcontreS2n=1
n1P n zeroquandn!+1.Exemple
c2=1nP n4.2.2Estimateurconvergent
Exemple
l'estimateur bn= 19 verszeroestconvergent.4.3Comparaisonentreestimateurs
notionderisquequadratiquedenici-dessous. quadratique).Remarque
b 1=Xnetb2=nXn+1
unestimateuroptimalausensdecerisque.R(T)R(b)pourtoutestimateurbde.
204.3.1LabornedeCramer-Rao
B que H2etH3(cfSection3.2),ona,pourtoutbn2B0():
Var[bn]1
nI() nI()estnoteeKn().Denition.bn2B0()estditecacesiVar[bn]=1
nI()Exemple
Var[bn]=(1)
n.Var[bn]
Kn() tendvers1quandn!+1.Commentairesetcomplements
214.4L'estimateurdumaximumdevraisemblance
L(;x1;::::xi;:::;xn)=nY
i=1f(xi;)4.4.1Denition
b n(x)=Argmax2L(;x): oux=(x1:::;xi;:::;xn).4.4.2Remarques
n+1(cfTDNo2). 22devraisemblance,bn(x)estsolutionde: @L(;x)=0; etesttelque: 2 @2L(;x)<0 aupoint=bn(x).
Commentaire
l'E.M.V.doitsefaire\alamain".Theoreme.Onfaitleshypothesessuivantes.
-estunouvertdeIR. @f(x;)existe8x,8 -8,8x,f(x;)>0 -an1xe(maisquelconque)bnestunique. 23Theoreme.Onsupposedeplusque:
@2 -0Af(x;)dxparrapporta.Alorssoustoutesceshypotheses
p n(bn)loi!N0;1I()
4.5L'estimateurdesmoments
nP n i=1Xki.LaLeprincipedelamethodeestlasuivante.
j=gj(1;:::;j;:::;J) j=hj(1;:::;j;:::;J) ditonprend: b j=hj(M1;:::;Mj;:::;MJ)(j=1;::J): 24Commentaire
demomentscentresetnoncentres.Exemple
:estimationdesparametresdelaloiBeta. f(x)=1B(a;b)xa1(1x)b11I[0;1](x)
Onmontreque:
E[X]=a
a+betVar[X]=ab(a+b)2(a+b+1)Onveriefacilementque:
a=E(X)"E(X)[1E(X)]Var(X)
Var(X)#
etb=[1E(X)]"E(X)[1E(X)]Var(X)Var(X)#
ba=Xn"Xn[1Xn]V2n
V2n# et bb=[1Xn]"Xn[1Xn]V2n V2n# ou V 2n=1 nn X i=1(XiXn)2 designelemomentempiriquecentred'ordre2. 25(typiquement95%),leparametreinconnu.
5.1Denition,exempleetcommentaires
P([T1;T2]3)=1
Exemple
loinormaledemoyenne.PartantdeXnN(;1n)ilesffaciledeverierque:
PXn1pnz12;Xn+1pnz12
3 =1 ouz1P(Zza)=aouZN(0;1).Donc
Xn1pnz12;Xn+1pnz12
26P
Xn1pnz12Xn+1pnz12
=1Commentaires
P2[T1(x);T2(x)]=1
27dependpasde. u inequation u
1h(X1:::;Xi;:::;Xn;)u2(1)
detellesorteque(1)soitequivalenta: g1(X1:::;Xi;:::;Xn)g2(X1:::;Xi;:::;Xn);
ExempleNo1
connue).Lafonction Xn =pnestpivotalepourpuisque: Xn =pnN(0;1)ExempleNo2
XN(;)ouestconnueet=2.Lafonction12Pn
i=1(XiXn)2estpivotalepour puisque: 1 2n X i=1(XiXn)22(n1)ExempleNo3
nestasymptotique- 28Xnq nloi !N(0;1)quandn!+1 ulier. .Partantde Xn =pnN(0;1) ona: P z 1 Xn =pnz12 =1 clairque: z11 Xn =pnz12()I=Xnpnz12;Xn+pnz11 3 est fournieparleresultatsuivant. 29
d'ordre1
2def(x).
Parconsequent:c'estl'intervalledeconance
Xnpnz12;Xn+pnz12
z 12estfourniparlestablesstatistiques.
5.3Intervallesdeconanceclassiques
est`grand'.5.3.1LaloideXestnormaleN(;2)
niveaudeconance1pourestXnpnz12;Xn+pnz12
etYsontindependantes,T=Z esttabulee).Comme Z= Xn =pnN(0;1) 30quotesdbs_dbs13.pdfusesText_19
[PDF] information génétique cours
[PDF] information génétique définition
[PDF] information genetique et division cellulaire
[PDF] information génétique wikipedia
[PDF] informatique 2eme année college
[PDF] informatique 3eme college
[PDF] informatique appliquée cours
[PDF] informatique de gestion pdf s4
[PDF] informatique fondamentale pdf
[PDF] informatique generale et internet
[PDF] informatique s1 smia pdf
[PDF] informe de auditoria de gestion ejemplo
[PDF] informe de auditoria de gestion ejemplos
[PDF] informe de investigacion ejemplo pdf