3 1 Un exemple introductif 3 2 Exhaustivité 3 3 Information de Fisher 4 L' estimation ponctuelle 4 1 Définition d'un estimateur 4 2 Propriétés d'un estimateur
Previous PDF | Next PDF |
[PDF] Année Universitaire 2006-2007 COURS DE STATISTIQUE
3 1 Un exemple introductif 3 2 Exhaustivité 3 3 Information de Fisher 4 L' estimation ponctuelle 4 1 Définition d'un estimateur 4 2 Propriétés d'un estimateur
[PDF] Exercices
estimateur efficace de λ, donnez sa variance et l'information de Fisher apportée par l'échantillon Solution : Comme dans l'ensemble des exercices de cette
[PDF] Statistique Inférentielle Avancée
n ∑ i=1 xi est compl`ete dans les exemples du contrôle de qualité et des ampoules 3 5 Information de Fisher et efficacité On a dit qu'une statistique exhaustive
[PDF] TD 3 : Information de Fisher, méthode du χ 1 Information de Fisher
17 nov 2009 · Calculer l'information de Fisher dans les mod`eles statistiques suivants en effet , l'effectif théorique pour la deuxi`eme classe par exemple est
[PDF] Cours 5 : ESTIMATION PONCTUELLE
A-2 Exemple d'estimateurs L'information de Fisher mesure l'information apportée par un échantillon sur le paramètre : une information de Fisher proche
[PDF] Maximum de Vraisemblance Information de Fisher - Site de
28 nov 2016 · Exercice: Trouver une stat exhaustive pour θ dans le modèle suivant: X1, ,Xn ∼ U([0,θ]) Page 7 Maximum de Vraisemblance Information de
[PDF] Statistique mathématique - Laboratoire de Probabilités, Statistique
5 mai 2015 · Exemple : Soit (Xn) une suite de variables aléatoires de lois uniformes La quantité I(θ) est alors appelée information de Fisher du modèle
[PDF] TD no 7 : Information de Fisher et vraisemblance
In(λ) = na2λa−2 Exercice 2 Soient θ > −1, X une var de densité : f(x) =
[PDF] 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, σ) Soit (X1, ,Xn) un échantillon aléatoire de taille n
[PDF] information et création numérique
[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
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) 30etque: