STATISTIQUE : ESTIMATION
Estimation de la moyenne quand la variance est inconnue Intervalle de confiance de la différence de deux moyenne.
ESTIMATION DE PARAMÈTRES
Définition : Un estimateur est sans biais si la moyenne de sa distribution d'échantillonnage est égale à la valeur ?du paramètre de la population à estimer
Ch. 5 : Echantillonnage estimation
On peut aussi pour ”estimer” la moyenne du caract`ere statistique C
1 Estimation statistique
Xk. La moyenne empirique est un estimateur sans biais de la moyenne E(X) consistant grâce à la loi des grands nombres
Statistique Mathématique
Estimation Statistique - Généralités Un estimateur T d'une quantité ? est dit sans biais si. E(T) = ?. ... On dit également que c'est la moyenne arith-.
Chapitre 10 - Convergence destimateurs
Définition : On dit que l'estimateur ˆ?n converge en moyenne quadratique vers ? si et seulement si. ˆ?n. L2. ?? ?. On dit aussi que l'erreur quadratique
Estimations et intervalles de confiance
ponctuelle de paramètres de loi : proportion moyenne
MODULE 9 ESTIMATION ESTIMATION
On s'intéresse dans un premier temps aux paramètres principaux de la variable aléatoire : moyenne variance ou proportion de succès (µ
Chapitre 3. Estimation
02?/02?/2017 (i) Estimation ponctuelle: attribuer une valeur unique à ? ... Définition: L'erreur quadratique moyenne d'un estimateur ˆ? est: EQM?(ˆ?) = E.
Propriétés des estimateurs
L'estimateur dépend des données donc c'est une variable aléatoire Propriétés des estimateurs: l'erreur quadratique moyenne.
![Propriétés des estimateurs Propriétés des estimateurs](https://pdfprof.com/Listes/16/31903-1604_fr_properties_estimators.pdf.pdf.jpg)
Aaron Courville
Email:aaron.courville@umontreal.caOffice:3253 Pav. Andre AisenstadtPropriétés des estimateurs
1 IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateursEstimateurs ponctuels
Retour à estimateurs ponctuels (estimation du maximum de vraisemblance), nous allons laisser tomber la perspective bayésienne (pour le moment). En général, l'estimation ponctuelle se réfère à trouver une seule "meilleure estimation» d'une certaine quantité d'intérêt. La quantité d'intérêt pourrait être un paramètre dans un modèle paramétrique, un CDF, un PDF, un PMF... Nous occupe de l'estimation des paramètres d'un modèle paramétrique. 2 IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateursEstimateurs ponctuels des paramètres
Convention: Nous notons une estimation ponctuelle du vrai paramètre par .Point de vue statistique orthodoxe:
Le paramètre est une quantité inconnue fixe. L'estimateur dépend des données donc c'est une variable aléatoire (les données sont aléatoires)Point de vue bayésienne:
Les variables aléatoires représentent des quantités inconnues. Les données est observée et donc pas aléatoire Le vrai paramètre est inconnu et donc aléatoire. Pour l'instant, nous prenons la perspective statistique orthodoxe. 3 IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateurs Biais •Soit X 1 ,...,X n n points de données i.i.d. de un distribution F. •L'estimateur de est un fonction de X 1 ,...,X n Définition - La biais (bias) d'une estimateur : on dit que soit non biaisé (unbiased) si: Un estimateur sans biais est souhaitable, mais pas indispensable, beaucoup de nos estimateurs sont biaisé. 4 n =g(X 1 ,...,X n )biais( n )=E n θE n IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateursExemple de biais: loi de Bernoulli
SoitEstimateur (ML):
biaisé? 5Bernoulli distribution:
-X est un v.a. binaire:The model parameter:
-The Bernoulli p.m.f(x):X≂Bernoulli(p)f(x;p)=p
x (1-p) 1-x x?{0,1}θ=p?Θ=[0,1]X 1 ,...,X n ≂Bernoulli(p) ˆp n 1 n n i=1 X iE(ˆp
n 1 n n i=1 E(X i 1 n n i=1 p =p biais(ˆp n )=E(ˆp n )-p IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateurs L'estimateurs de la variance de la loi gaussienne: variance de l'échantillonChose qu'on besoin:
Biais - variance de loi gaussienne: 1. variance de l'échantillon 6 S 2 1 n-1 n i=1 (X i X) 2 X= 1 n n i=1 X i E(S 2 )=E 1 n-1 n i=1 (X i X) 2 =E 1 n-1 n i=1 (X 2 i -2 XX i X 2 =E 1 n-1 n i=1 X 2 i -2 X n i=1 X i n i=1 X 2 =E 1 n-1 n i=1 X 2 i -n X 2 1 n-1 nE(X 2 1 )-nE( X 2 1 n-1 n(σ 2 2 )-n 2 n 2 2 non biaisé Var(X)=V ar
1 n n i=1 X i 1 n 2 Var n i=1 X i 1 n 2 nVar(X 1 2 n E( X)=E 1 n n i=1 X i 1 n nE(X 1 E(X 2 )=V ar(X)+E(X) 2 données IID IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateursChose qu'on besoin:
Biais - variance de loi gaussienne: 2. MLE
7 L'estimateurs de la variance de la loi gaussienne:Estimateur de ML
Trouvée en résolvant le problème du maximum de vraisemblance à deux paramètres 2 1 n n i=1 (X i X) 2 X= 1 n n i=1 X i 2E(ˆσ
2 )=E n-1 n S 2 n-1 n E S 2 n-1 n 2 2 n-1 n S 2 biaisé IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateursVariance et Erreur-type
La distribution de est appelée la distribution d'échantillonnage. Écart-type de est appelée l'erreur-type (standard error): Souvent, l'écart-type dépend de l'inconnu F. Dans ces cas, il s'agit d'une quantité inconnue.Nous pouvons généralement estimer.
L'erreur-type estimée est notée .
8 se( n Var( nˆse
IFT6085-H2014: Modèles Graphiques Probabilistes04 - Propriétés des estimateursVariance de l'estimateur: loi de Bernoulli
SoitEstimateur (ML):
Variance d'estimateur?
9Bernoulli distribution:
-X est un v.a. binaire:The model parameter:
-The Bernoulli p.m.f(x):Erreur-type d'estimateur?
X≂Bernoulli(p)f(x;p)=p
x (1-p) 1-x x?{0,1}θ=p?Θ=[0,1]X 1 ,...,X nquotesdbs_dbs29.pdfusesText_35[PDF] Une information cruciale que TOUT catholique devrait connaître
[PDF] Erreurs fréquentes - Partie écrite Français 3202 juin 2013
[PDF] Item 314 : Exanthème
[PDF] Néonatologie - Decitre
[PDF] around the world with talis - Talis Business School
[PDF] Erasmus+ Promotion Activity Call for applications (2017)
[PDF] dossier de candidature programme licence 3 - ESAA
[PDF] Master en Gestion - ESAA
[PDF] ESAF Recruitment Notification - ESAF Small Finance Bank
[PDF] Esbriet, INN-pirfenidone - Europa EU
[PDF] ESC/EAS Guidelines for the management of dyslipidemias
[PDF] LES ESCALIERS
[PDF] E coli - Anses
[PDF] 19 La traite des esclaves - Académie de Nancy-Metz