statistiques dans les 3 mod`eles concrets multi-dimensionnels, a savoir, celles de Il suffit de poser h(t) = t2 et d'appliquer (1 2) aux variables aléatoires X et
Previous PDF | Next PDF |
[PDF] Statistique appliquée - J Salmon
statistiques dans les 3 mod`eles concrets multi-dimensionnels, a savoir, celles de Il suffit de poser h(t) = t2 et d'appliquer (1 2) aux variables aléatoires X et
[PDF] MS BGD MDI 720/721 : Statistiques - J Salmon
22 oct 2017 · Joseph Salmon (17/10) : Sélection de variables / Lasso Séance 10 Tsybakov (2006) cours de “Statistique appliquée” § Delyon (2015)
[PDF] HEBIRI Mohamed - Université Paris-Est Marne-la-Vallée
Chargé de cours à l'ENSAE-CREST : Apprentissage Statistique Appliqué On Lasso refitting strategies, co-écrit avec Evgenii Chzhen et Joseph Salmon
[PDF] TELECOM ParisTech MDI220 2014/2015 Anne Sabourin - Joseph
MDI220 2014/2015 Anne Sabourin - Joseph Salmon Proposer une statistique de test distribuée, sous l'hypothèse nulle, selon une loi de Student tn´p´1 à 3) Appliquer la fonction stpforward au jeu de données airquality, pour M “ 3,4,5
[PDF] Bienvenue - JdS 2019 - Société Française de Statistique
Joseph Salmon (Université de Montpellier) — Nicolas Savy Nous proposons d 'appliquer la théorie des bandits contextuels pour piloter, à l'aide d'incitations
[PDF] 5èmes Journées Probabilités/Statistique Besançon - Indico - CNRS
25 jui 2018 · 5èmes Journées Probabilités/Statistique Besançon-Dijon Lundi 25 Juin Ces inégalités seront appliquées à l'obtention des inégalités de déviations pour C Bellec (Rutgers) and Joseph Salmon (Telecom ParisTech) 5
[PDF] Liste soutenances 2015-2021 - (pdf 20944 Ko) - Université Paris
2016 LAFOND Jean Française complétion de matrice: aspects statistiques et computationnels Télécom Paris LTCI MOULINES Eric SALMON Joseph 2016
[PDF] Statistique Appliquée
[PDF] Introduction et stockage des hydrocarbures et des éléments
[PDF] Cours de Strategie RH - Res Homini Consulting
[PDF] stylisme - C-paje
[PDF] Module gratuit - Centre de Formations ? Distance
[PDF] Cours de Stylisme Couture
[PDF] Guide pour le suivi et l 'évaluation de projets/programmes - IFRC
[PDF] La synergologie (Le langage des gestes) 1 Ce que nous révèlent
[PDF] Tamba Moustapha Démocratie Senegal avril 2011 - Konrad
[PDF] INITIATION À LA LANGUE TAHITIENNE 1 La prononciation des
[PDF] techniques d 'accueil, d 'hébergement et communication
[PDF] Méthodes et Techniques d 'Analyses Chimiques et Biologiques
[PDF] Bases techniques de l 'assurance - cloudfrontnet
[PDF] MANUEL de cours d 'EXPRESSION ORALE ET ECRITE
A. Tsybakov
statistiques dans les 3 modµeles concrets multi-dimensionnels, a savoir, celles de l'analyse en (classi¯cation). pas l'objet de question aux examens.Table des matiµeres
1.6. Exercices 23
2.2. Conditionnement (cas discret) 26
2.5. Conditionnement (cas continu) 33
2.11. Exercices 43
3.7. Exercices 69
Partie 2. Notions fondamentales de la Statistique73Chapitre 4.
4.1. 34 TABLE DES MATIµERES
4.4. Statistiques exhaustives
¹Xets287
4.8. Exercices 93
Chapitre 5. Estimation des paramµetres 97
5.1. Modµele statistique. Problµeme d'estimation des paramµetres 97
5.2. Comparaison d'estimateurs 100
5.5. Comportement asymptotique de la fonction de log-vraisemblance 112
5.6. Consistance de l'estimateur du maximum de vraisemblance 114
5.9. Comparaison asymptotique d'estimateurs 125
5.10. Exercices 126
6.1. Le problµeme de test d'hypothµese 129
6.2. Test d'hypothµese simple contre l'alternative simple 131
6.3. Tests des hypothµeses composites 136
6.4. Tests dans le modµele normal 139
6.5. Tests asymptotiques 145
6.6. Tests de comparaison de deux lois normales
6.10. Exercices 157
Chapitre 7. Analyse en composantes principales 1657.4. ACP : cadre empirique 169
7.9. Limites d'utilisation de l'ACP 180
7.10. Exercices 181
TABLE DES MATIµERES 5
8.6. Application aux tests sur le paramµetreµ195
8.7. Exercices 199
Partie 1
1 souligner le fait qu'il s'agit d'une fonction de!2. C'est une fonction monotone croissante, continue µa droite et telle que lim x!¡1F(x) = 0 et lim variables continues.Variable discrµete
P(X=k) =µk
k!e¡µ; k= 0;1;2;:::Variable continue
rapport µa la mesure de Lebesgue surR, i.e.F(x) =Z
x ¡1 f(t)dt; 9 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1Figure 1.1.La f.d.r. de la loi de Poisson
f(x) =F0(x) presque partout. On note quef(x)¸0 pour toutx2Ret Z 1 ¡1 f(x)dx= 1:Exemple1.1.
f(x) =1 p2¼¾e¡(x¡¹)2
2¾2; x2R;
oµu¹2Ret¾ >0. Si¹= 0; ¾2= 1, la loiN(0;1) est diteloi normale standard. Dans la f(x) = (b¡a)¡11l[a;b](x); x2R; oµu 1l 1lA(x) =Ifx2Ag=½1 six2A;
0 sinon:
f(x) =µ¡1e¡x=µ1l[0;+1[(x);F(x) = (1¡e¡x=µ)1l[0;+1[(x):
et les quantiles.1.1.1. Moments.
¹=E(X) =Z
1 ¡1 xdF(x) =8 :P iiP(X=i) siXest une v.a. discrµete;Rxf(x)dxsiXest une v.a. continue: k=E(Xk) =Z 1 ¡1 xkdF(x);0k=E((X¡¹)k) =Z
1 ¡1 (x¡¹)kdF(x):2= Var(X) =E((X¡E(X))2) =E(X2)¡(E(X))2:
Var(X).
Le moment absolu¹¹kd'ordrekdeXest
¹¹k=E(jXjk)
¹¹0k=E(jX¡¹jk):
Exemple1.2.
f(x) =c1 +jxjlog2jxj; x2R;
oµu la constantec >0 est telle queRf= 1. AlorsE(jXja) =1pour touta >0.La proposition suivante s'obtient facilement.
Proposition 1.1.
E((»¡c)2) = (E(»)¡c)2+E((»¡E(»))2) = (E(»)¡c)2+ Var(»): 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 s=1 s=3 m=1Figure 1.2.La loi normaleN(¹;¾2)
(¾\grand" { beaucoup de dispersion,¾\petit" { peu de dispersion)
Corollaire 1.1.
telle queE(»2)<1. Alors,¹=E(»)si et seulement siE((»¡¹)2) = minc2RE((»¡c)2):
transformation a±ne, on obtient la variableX0= (X¡¹)=¾, telle queE(X0) = 0; E(X20) = 1 ). SiXest une v.a. f(x) =1 f0³x¡¹ f(x) =1¼¾(1 + [(x¡¹)=¾]2);
Cauchy n'existent pas.
reconstitution est possible, notamment sous l'hypothµese trµes forte que lim sup k!1¹¹1=k k k <11.1.2. Quantiles.
F(qp) =p:
(1.1) On remarque que, pourFstrictement croissante et continue, la solution existe et elle est SoitFune f.d.r. Le quantileqpd'ordrepdeFest la valeur q p=1 2 (inffq:F(q)> pg+ supfq:F(q)< pg): Sipest tel que (1.1) n'a pas de solution (Fa un saut),qpest le point de saut. Si (1.1) admet un intervalle de solutions (pcorrespond µa un \plateau" du graphique deF), alorsqp est le milieu de cet intervalle.M=q1=2:
Notons queP(X¸M)¸1=2 etP(X·M)¸1=2. SiFest continue,F(M) = 1=2. Le pourcentiledel%, 0< l <100, de la loiFest le quantileqpd'ordrep=l=100. toutes les loisF.Proposition 1.2.
telle queE(j»j)<1. Alors,E(j»¡aj) = minc2RE(j»¡cj)
E(j»¡Mj) = minc2RE(j»¡cj);
supposons quec > a. On a alors : j»¡cj ¸ j»¡aj+ (c¡a) si»·a; j»¡cj ¸ j»¡ajsia < »·(a+c)=2; j»¡cj ¸ j»¡aj ¡(c¡a) si» >(a+c)=2:E(j»¡cj)¸E(j»¡aj) + (c¡a)h
P(»·a)¡P(» >(a+c)=2)i
Il reste µa remarquer queP(»·a)¸P(» >(a+c)=2) pour conclure. En e®et, siP(»·a)<
P(» >(a+c)=2), en utilisant le fait queP(»·a)¸1=2, on obtientP(»·a) +P(» > (a+c)=2)>1, ce qui est impossible.