Estimation par la méthode du noyau Données x1, ,xn, noyau K fonction symétrique p r 0, bornée, ∫ K(u)du = 1 ̂f(x) = 1 nh n ∑ i=1 K (x − xi h ), x ∈ R
Previous PDF | Next PDF |
[PDF] Estimation dune densité : un point sur la méthode du noyau
ESTIMATION D'UNE DENSITE : UN POINT SUR LA METHODE DU NOYAU Alain BERLINET Luc DEVROYE Laboratoire de Probabilités et Statistique
[PDF] Estimation par la méthode du noyau
Estimation par la méthode du noyau Données x1, ,xn, noyau K fonction symétrique p r 0, bornée, ∫ K(u)du = 1 ̂f(x) = 1 nh n ∑ i=1 K (x − xi h ), x ∈ R
[PDF] Estimation non-paramétrique dune densité - Laboratoire de
{u≤1} est un noyau d'ordre r 2 Propriétés des estimateurs à noyaux 2 1 Estimation de la densité Afin d'évaluer la performance de l'estimateur à noyau défini
[PDF] Estimateurs à noyau et théorie des valeurs extrêmes - Archipel UQAM
2 2 1 Estimation des paramètres 2 2 2 Quantiles estimés 2 3 Distribution gamma l X Xl Xlll 1 2
[PDF] Estimation dune densité
{u≤1} est un noyau d'ordre r 2 Propriétés des estimateurs à noyaux 2 1 Estimation de la densité Afin d'évaluer la performance de l'estimateur à noyau défini
[PDF] Estimation dune fonction de densité par la méthode des noyaux et
togramme et approche basée sur le noyau L 'estimation non paramétrique de la densité de probabilité nous permettra de donner un estimateur d'un quantile
[PDF] Introduction à la statistique non paramétrique - Catherine Matias
28 sept 2012 · Partie 3 - Estimation de densité : histogrammes, noyaux et projections Estimateur `a noyau des k plus proches voisins Estimateur par
[PDF] Estimation de densité par agrégation - Ceremade
En-dehors des estimateurs à noyau et par projection, nombreuses autres procédures d'estimation (par exemple seuillage dur) : Donoho et al 1996, Pensky et
[PDF] estimation par noyau r
[PDF] estimation paramètres loi log normale
[PDF] estimation paramètres loi log normale
[PDF] estimation ponctuelle d'une proportion
[PDF] estimation probabilité exercices corrigés
[PDF] estimation spectrale non paramétrique
[PDF] estimation spectrale paramétrique
[PDF] estimation travaux en ligne
[PDF] estimation travaux maison avant achat
[PDF] estimation travaux rénovation
[PDF] estime de soi à l'école primaire
[PDF] estime de soi définition
[PDF] estime de soi exercice pratique
[PDF] estime de soi psychologie cours
Estimation par la méthode du noyau
Données
x1,...,xn , noyau K fonction symétrique p.r. 0, bornée,?K(u)du= 1?f(x) =1
nhn ?i=1K ?x-xi h ?, x? RJ.-C. Mass´eUniversit´e Laval
Estimation par la méthode du noyau
Données
x1,...,xn , noyau K fonction symétrique p.r. 0, bornée,?K(u)du= 1?f(x) =1
nhn ?i=1K ?x-xi h ?, x? RNoyau gaussien
K(u) =1
⎷2πexp ?-u22?, u?
RJ.-C. Mass´eUniversit´e Laval
Estimation par la méthode du noyau
Données
x1,...,xn , noyau K fonction symétrique p.r. 0, bornée,?K(u)du= 1?f(x) =1
nhn ?i=1K ?x-xi h ?, x? RNoyau gaussien
K(u) =1
⎷2πexp ?-u22?, u?
RPour ce noyau,
f(x) =1 nn?i=11 ⎷2πhexp ?-(x-xi)2 2h2J.-C. Mass´eUniversit´e Laval
Estimateur à noyau décomposé
Tout estimateur à noyau est composé d'une somme denfonctions, soit une pour chaque observation.
J.-C. Mass´eUniversit´e Laval
Estimateur à noyau décomposé
Tout estimateur à noyau est composé d'une somme denfonctions, soit une pour chaque observation.
> x = c( -1.111, -0.257, 1.797, 2.163, -2.2264, -0.949)J.-C. Mass´eUniversit´e Laval
Estimateur à noyau décomposé
Tout estimateur à noyau est composé d'une somme denfonctions, soit une pour chaque observation.
> x = c( -1.111, -0.257, 1.797, 2.163, -2.2264, -0.949) > K = function(x,a) dnorm(x,a,1.09)/6# noyau gaussien, n= 6,h= 1.09 (règle de Silverman > b = seq(-6,6,.01) # valeurs où l'on calcule KJ.-C. Mass´eUniversit´e Laval
Estimateur à noyau décomposé
Tout estimateur à noyau est composé d'une somme denfonctions, soit une pour chaque observation.
> x = c( -1.111, -0.257, 1.797, 2.163, -2.2264, -0.949) > K = function(x,a) dnorm(x,a,1.09)/6# noyau gaussien, n= 6,h= 1.09 (règle de Silverman > b = seq(-6,6,.01) # valeurs où l'on calcule K > for (i in 1:6) {plot(b,K(b,x[i]),type="l",ylab=" ", xlim=c(-7,7),ylim=c(0,.06),col="blue"); par(new=T)} #chaque observation détermine un graphique #xlim, ylim permettent une superposition parfaite des #graphiquesJ.-C. Mass´eUniversit´e Laval
Estimateur à noyau décomposé
Tout estimateur à noyau est composé d'une somme denfonctions, soit une pour chaque observation.
> x = c( -1.111, -0.257, 1.797, 2.163, -2.2264, -0.949) > K = function(x,a) dnorm(x,a,1.09)/6# noyau gaussien, n= 6,h= 1.09 (règle de Silverman > b = seq(-6,6,.01) # valeurs où l'on calcule K > for (i in 1:6) {plot(b,K(b,x[i]),type="l",ylab=" ", xlim=c(-7,7),ylim=c(0,.06),col="blue"); par(new=T)} #chaque observation détermine un graphique #xlim, ylim permettent une superposition parfaite des #graphiques > title("Estimateur du noyau decomposé")J.-C. Mass´eUniversit´e Laval
Estimateur à noyau décomposé
J.-C. Mass´eUniversit´e Laval
Fonctiondensity
Forme générale de la fonction
density density(x, bw = "nrd0", adjust = 1, kernel = c("gaussian", "epanechnikov", "rectangular", "triangular", "biweight", "cosine", "optcosine"), weights = NULL, window = kernel, width, give.Rkern = FALSE, n =512, from, to, cut = 3, na.rm = FALSE, ...)
J.-C. Mass´eUniversit´e Laval
Fonctiondensity
Forme générale de la fonction
density density(x, bw = "nrd0", adjust = 1, kernel = c("gaussian", "epanechnikov", "rectangular", "triangular", "biweight", "cosine", "optcosine"), weights = NULL, window = kernel, width, give.Rkern = FALSE, n =512, from, to, cut = 3, na.rm = FALSE, ...)
x #vecteur de données univariées bw #paramètre de lissage bw="nrd0" #règle de Silverman bw="nrd" #règle de Scott bw="ucv" #règle de la validation croisée, bw="SJ-dpi" #règle de Sheather-JonesJ.-C. Mass´eUniversit´e Laval
Fonctiondensity
Forme générale de la fonction
density density(x, bw = "nrd0", adjust = 1, kernel = c("gaussian", "epanechnikov", "rectangular", "triangular", "biweight", "cosine", "optcosine"), weights = NULL, window = kernel, width, give.Rkern = FALSE, n =512, from, to, cut = 3, na.rm = FALSE, ...)
x #vecteur de données univariées bw #paramètre de lissage bw="nrd0" #règle de Silverman bw="nrd" #règle de Scott bw="ucv" #règle de la validation croisée, bw="SJ-dpi" #règle de Sheather-Jones kernel #type de noyau, par défaut "gaussian" n=512 #n. de points équidistants où fest estiméeJ.-C. Mass´eUniversit´e Laval
Sortie dedensity
Liste de longueur 7 dont les principales composantes sont: [[1]] x #vecteur des points où fest estimée [[2]] y #vecteur des valeurs defestimées Par défaut n = 512 points ou valeurs. Si n > 512, le n. de points ou de valeurs est la puissance de 2 supérieure à 512.J.-C. Mass´eUniversit´e Laval
Sortie dedensity
Liste de longueur 7 dont les principales composantes sont: [[1]] x #vecteur des points où fest estimée [[2]] y #vecteur des valeurs defestimées Par défaut n = 512 points ou valeurs. Si n > 512, le n. de points ou de valeurs est la puissance de 2 supérieure à 512. [[3]] bw #paramètre de lissage hutilisé [[4]] n #n. de points où fest calculé (puissance de 2)J.-C. Mass´eUniversit´e Laval
Sortie dedensity
Liste de longueur 7 dont les principales composantes sont: [[1]] x #vecteur des points où fest estimée [[2]] y #vecteur des valeurs defestimées Par défaut n = 512 points ou valeurs. Si n > 512, le n. de points ou de valeurs est la puissance de 2 supérieure à 512. [[3]] bw #paramètre de lissage hutilisé [[4]] n #n. de points où fest calculé (puissance de 2)L'application de
density ne produit aucun graphique. On obtient plutôt de l'information sur les valeurs estimées et sur h.J.-C. Mass´eUniversit´e Laval
Sortie dedensity
Liste de longueur 7 dont les principales composantes sont: [[1]] x #vecteur des points où fest estimée [[2]] y #vecteur des valeurs defestimées Par défaut n = 512 points ou valeurs. Si n > 512, le n. de points ou de valeurs est la puissance de 2 supérieure à 512. [[3]] bw #paramètre de lissage hutilisé [[4]] n #n. de points où fest calculé (puissance de 2)L'application de
density ne produit aucun graphique. On obtient plutôt de l'information sur les valeurs estimées et sur h.La fonction
plot appliquée à l'objet créé par density produit le graphique.J.-C. Mass´eUniversit´e Laval
Une application de la méthode du noyau
> par(mfrow=c(1,2))> taux = scan("cdrate.dat")Jeu des taux d'épargne. Bimodal: deux typesd'institutions financières.
J.-C. Mass´eUniversit´e Laval
Une application de la méthode du noyau
> par(mfrow=c(1,2))> taux = scan("cdrate.dat")Jeu des taux d'épargne. Bimodal: deux typesd'institutions financières.
Paramètre de lissage par défaut
> bw.nrd0(taux) h= 0.1152792 (Silverman)J.-C. Mass´eUniversit´e Laval
Une application de la méthode du noyau
> par(mfrow=c(1,2))> taux = scan("cdrate.dat")Jeu des taux d'épargne. Bimodal: deux typesd'institutions financières.
Paramètre de lissage par défaut
> bw.nrd0(taux) h= 0.1152792 (Silverman) > bw.nrd(taux) h= 0.1357733 (Scott) > bw.SJ(taux) h= 0.0687455 (Sheather-Jones)J.-C. Mass´eUniversit´e Laval
Une application de la méthode du noyau
> par(mfrow=c(1,2))> taux = scan("cdrate.dat")Jeu des taux d'épargne. Bimodal: deux typesd'institutions financières.