Estimation semi-paramétrique et application à l’évaluation de la biomasse d'anchois, Semiparametric estimation and application to evaluate anchovy biomass

Thi Xuan Mai Le

Description

Sous la direction de Benoit Truong van
Thèse soutenue le 16 mars 2010: INSA de Toulouse
Notre étude est motivée par un problème d'évaluation de la biomasse, c'est à dire de la densité des œufs d'anchois à l'instant de ponte dans le golfe de Biscay-Gascogne. Les données sont les densités, c'est à dire les poids d' œufs d'anchois par unité de surface dans le golfe, collectées lors de la campagne d'échantillonnage de 1994. Le problème consiste à estimer la densité des œufs d'anchois au moment de leur ponte et le taux de mortalité. Jusqu'à présent, ce problème a été résolu en ajustant les données précédentes à un modèle classique de mortalité exponentielle. Notre analyse montre que ce modèle n'est pas adapté aux données à cause de la grande variation spatial de la densité d'œufs au moment de ponte. Or pour les données considérées, les densités A(tj,kj) des œufs au moment de ponte diffèrent de façon aléatoire selon les zones géographiques de kj ponte. Nous proposons de modéliser les A(tj,kj) comme un échantillon issu d'une variable aléatoire d'espérance a0 et ayant une densité de probabilité fA, ce qui conduit au modèle de mortalité étendue (EEM) suivant : Y (tj,kj) = A (tj,kj) e-z0tj +e(tj,kj) Le problème que nous avons à étudier alors est d'estimer les paramètres du modèle et la densité fA. Nous résolvons ce problème en deux étapes; nous commençons par estimer les paramètres par des techniques de régression, puis nous estimons la densité fA en combinant l'estimation non-paramétrique de densité, avec l'estimation du paramètre z0 et avec éventuellement une déconvolution de densités. Les résultats des études en simulations que nous réalisons corroborent les résultats théorique de la consistance
-Modèle de mortalité étendue
-Taux de mortalité
-Régression non linéaire
-Non-consistance
-Estimation par noyau
-Variabilité spatiale
The motivation of this study is to evaluate the anchovy biomass, that is estimate the egg densities at the spawning time and the mortality rate. The data are the anchovy egg densities that are the egg weights by area unit, collected in the Gascogne bay. The problem we are faced is to estimate from these data the egg densities at the spawning time. Until now, this is done by using the classical exponential mortality model. However, such model is inadequate for the data under consideration because of the great spatial variability of the egg densities at the spawning time. They are samples of generated by a r.v whose mathematical expectation is a0 and the probability density function is fA. Therefore, we propose an extended exponential mortality model Y (tj,kj) = A (tj,kj) e-z0tj +e(tj,kj) where A(tj,kj) and e(tj,kj) are i.i.d, with the random variables A and e being assumed to be independent. Then the problem consists in estimating the mortality rate and the probability density of the random variable . We solve this semiparametric estimation problem in two steps. First, we estimate the mortality rate by fitting an exponential mortality model to averaged data. Second, we estimate the density fA by combining nonparametric estimation method with deconvolution technique and estimate the parameter z0. Theoretical results of consistence of these estimates are corroborated by simulation studies
Source: http://www.theses.fr/2010ISAT0006/document

Sujets

• Taux de mortalité
• Estimation par noyau

Informations

• Publié par: Thesee
• Nombre de lectures: 24
• Langue: English

Extrait

Mme.
aris
T
Lab
jury
oratoire
a
de
F
Statistiques
l'Univ
et
l'Univ
Probabilités
l'Univ
Estimation
Mathématiques
semi-paramétrique
orteurs
et
l'Univ
application
Nik
à
2
l'év
Lauren
aluation
oulouse
de
Maître
la
au
biomasse
dour
d'anc
ersité
hois
R
THÈSE
M.
présen
Professeur
tée
de
en
Mic
vue
Professeur
de
de
l'obten
ésidente
tion
Mme.
du
Professeur
grade
de
de
e
Do
elle
cteur
conférences
de
de
l'Institut
des
National
de
des
Institut
Sciences
T
Appliquées
oulouse,
de
oulouse
T
app
oulouse
:
Sp
Jean-Claude
écialité
ort
:
à
Mathématiques
ersité
Appliquées
P
par
M.
Le
hel
Thi
ouline
Xuan
à
Mai
ersité
Souten
Bordeaux
ue
Pr
le
de
16
:
mars
Béatrice
UMR
t
dev
à
an
ersité
t
T
le
Examinatric
jury
:
:
No
Dir
Bru
e
de
cteur
à
de
ersité
thèse
P
:
et
M.
P
Benoît
ys
T
l'A
ruong-V

an
de
Professeur
de
à
de
l'Univ

2010
5219.
.
.
ten
.
ts
2
1
.
In
.
tro
4.2.1
duction
.
5
80
2
.
Description
.
of
.
the
Bibliograph
problem
.
and
.
prop
General
osed
.
solutions
Con
9
.
2.1
.
Motiv
.
ation
.
and
.
description
Estimating
of
.
data
the
.
.
.
Unnoisy
.
.
.
.
.
erties
.
.
.
.
.
71
.
.
.
.
.
Estimate
.
gen
.
.
.
.
.
ulation
.
.
.
.
9
.
2.2
5
Prop
.
osed
.
mo
.
del
and
and
.
Assumptions
.
.
60
.
densit
.
and
.
.
.
.
.
mo
.
.
.
.
.
y
.
.
.
65
.
.
.
.
.
.
.
mo
.
.
.
.
.
study
10
.
3
.
Estimation
estimators
of
.
the
46
parameters
v
of
uine
the
Application
extended
.
mortalit
.
y
.
mo
.
del
3.6
13
.
3.1
.
P
.
osition
.
of
.
problems
.
and
.
prop
3.6.1
osed
and
solutions
.
.
.
.
.
.
.
.
.
.
55
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
Estimation
3.2
probabilit
Bibliograph
62
y
review
review
results
ed
.
and
.
main
.
results
62
.
mortalit
.
.
.
.
.
.
.
.
.
.
.
of
.
y
.
.
.
.
.
.
.
Statistical
.
.
.
.
15
.
3.3
.
Ordinary
.
least
65
square
mortalit
estimation
.
.
.
.
.
.
.
.
.
.
Sim
.
.
.
.
.
.
.
.
.
.
.
WLS
.
.
.
.
.
.
.
.
.
3.5
.
the
.
ariances
17
data
3.3.1
and
Existence
for
and
.
consistency
.
of
.
least
.
square
.
estimators
.
.
.
.
.
.
.
.
48
18
Sim
3.3.2
study
Asymptotic
.
normalit
.
y
.
of
.
the
.
LS
.
estimators
.
.
.
.
.
.
.
.
.
.
.
.
.
.
53
.
Estimating
.
75
32
.
3.4
.
W
.
eigh
.
ted
.
nonlinear
.
regression
.
.
.
.
.
.
.
.
.
.
.
.
3.6.2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
42
4
3.4.1
of
In
abundance
tro
y
duction
y
.
4.1
.
y
.
ed
.
main
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4.2
.
extended
.
y
.
del
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
65
.
Choice
42
probabilit
3.4.2
densit
Existence
estimate
and
.
consistency
.
of
.
the
.
w
.
eigh
.
ted
4.2.2
least
prop
square
.
es-
.
timators
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4.3
.
extended
.
y
.
del
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4.4
.
ulation
.
.
.
.
.
.
.
.
.
.
43
.
3.4.3
.
Asymptotic
.
normalit
.
y
.
of
the
.
2 2¾ ¾A "
a z0 0
2 2¾ ¾A "W
.
.
Secan
90
t
square
metho
.
d
.
89
3
A.1
ted
Ordinary
.
least
.
square
.
estimation
.
.
.
.
Programme
.
A.2
.
eigh
.
least
.
estimation
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
B
.
92
.
A
89data.
.
ernel
of
.
Figures
.
2.1
.
Data:
.
Anc
.
ho
.
vy
Estimated
egg
.
densities
.
.
of
.
.
.
.
.
.
.
.
.
egg
.
.
.
ernel
.
k
.
.
.
.
.
.
.
78
.
estimated
.
is
.
.
.
.
.
.
.
.
.
plotting
.
.
10
.
3.1
81
List
.
86
.
distribution
.
for
densities).
mo
ositiv
dels
5.4
B
k
and
.
D.
.
.
.
.
.
.
.
.
.
.
.
.
P
.
v
.
y
.
with
.
k
.
.
.
.
.
.
.
.
.
.
.
.
.
.
54
.
3.2
5.1
.
egg
.
.
distribution
.
for
.
mo
.
del
.
C.
Histogram
.
data.
.
.
.
.
.
.
.
.
.
81
.
y
.
uniform
.
and
.
and
.
data).
.
densit
.
with
.
ernel,
.
.
.
.
.
.
.
.
.
.
.
.
.
.
55
.
4.1
.
P
.
erformance
.
of
.
decon
.
v
.
olution
4.3
estimated
erformance
densit
decon
y
olution
.
densit
.
.
.
.
with
K
K
Gauss
is
ernel,
sinc
.
k
.
ernel,
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
79
.
A
.
of
.
densities
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5.2
.
of
.
densities
.
.
.
.
.
.
.
.
78
.
4.2
.
P
.
erformance
.
of
.
decon
.
v
5.3
olution
densit
estimated
.
densit
egg
y
k
.
K
.
e
.
(p
with
K
K
(whole
is
85
V
Estimated
allé
y
de
uniform
P
4
oussin
.
”j
”j
efA
h =0:5N
efA
h =0:5N
efA
h =1N
bf h =0:5A N
bf h =0:5A Np
d-
ce
1
tre
In
géographiques
tro
la
duction
les
Notre
ex