1Theorie des valeurs extremes Estimation par plus proches voisins Resultats asymptotiques Application

De
Publié par

1Theorie des valeurs extremes Estimation par plus proches voisins Resultats asymptotiques Application Estimation de quantiles extremes pour des lois a queue lourde en presence de covariables Laurent GARDES LJK, equipe MISTIS (INRIA Rhone-Alpes) 30 mars 2010 en collaboration avec Stephane Girard (INRIA Rhone-Alpes)

  • convergence en loi du maximum

  • n?n ?

  • estimation de quantiles extremes

  • quantile extreme d'ordre

  • queue lourde en presence de covariables

  • echantillon de variables aleatoires


Publié le : lundi 1 mars 2010
Lecture(s) : 63
Tags :
Source : www-irma.u-strasbg.fr
Nombre de pages : 39
Voir plus Voir moins
1Th´eoriedesvaluesrxerteˆemEstsatimnpioplarprusehcoiovssnisse´RtsasultaotiqymptppileuAsnoacit
Estimationdequantilesextrˆemespourdesloisa` queuelourdeenpr´esencedecovariables
LJK,e´quipeMISTIS(INRIARhˆone-Alpes) http://mistis.inrialpes.fr/people/gardes/
en collaboration avecdrSt´ephaneGiraI(RNAIhRoˆenA-)eslp
Laurent GARDES
30 mars 2010
Application
The´oriedesvaleursextrˆemes
Estimation par plus proches voisins
R´esultatsasymptotiques
irde´hoeelruseav2TspluchroontirppasEseamittxesmeˆrtotiquesatsasympRse´ustlseovsininoitacilppA
hT3npioplarprusheociovssnisse´Ratlu´eoriedesvaleursxerteˆemEstsmitaeuAstoqimytpstsaoncatippli
Th´eoriedesvaleursextrˆemes
R´esultatsasymptotiques
Application
Estimation par plus proches voisins
1
SoitX1, . . . ,Xntnseneadepd´inesirtoeal´aselbairavednollnue´hcnait etidentiquementdistribu´eesdefonctionder´epartitionF. On note X1,n. . .Xn,ntsoiclil´oen.orldo´nenc´heaans Objectif principal :reordndionqustEatimˆrtxdemetnaueeli 1αnenid´ap:r
Diculte´:On peut montrer que sinαn0 alors
P(Xn,n<q(αn))1.
q(αn) =F1(1αn) =F(¯αn)avecαn0,
¯ ou`F= 1F.
Onnepeutdoncpasutiliserlafonctionder´epartitionempirique pour estimerq(αn).
prulnoaphcsepsoremesxtrˆmatiEstisedeiroeesruelavh´4TplicationysasotpmuqitpAseisvosRinsu´eatlt
ymasotptuleststaacilnoiteuqippAsnparplusstimatioioissn´Rrpcoehvssvdeieor´eTh5Esemeˆrtxesruela
ouy+= max(y,0). `
Convergence en loi du maximum :)3491(oke´rtnomaequedenGn sousdeshypothe`sesge´n´eralessurF, il existe deux suites de normalisationan>0 etbnleere´tunγtels que : nlimPXn,nabnx=Hγ(x), n
Hγedvslaueseltlaioeˆrtxesr,sem γtxˆrrues.meseicnditllevaesedse
avec
Hγ(x) = exp((1 +γx)1+)siγ6= 0etH0(x) = exp(ex),
emesxtrˆursevaledeseoeirT6´hsRinisvoeschrospulprapnoitamitsEsu´eatltsysatompuqitpAsecilpoitan
Domaines d’attraction (D.A.)Selon le signe deγ, on distingue trois cas : Siγ >0,Fappartient autA.d.DceehFe´rlsel`sioeC.tnosa queue lourde (Cauchy, Pareto, Student). Siγ= 0,Fappartient auD.A. de Gumbel. Ce sont les lois dontlafonctiondesurvied´ecroˆıtversz´ero`aunevitesse exponentielle (exponentielle, normale, gamma, Weibull). Siγ <0,Fappartient auD.A. de Weibull sont les lois. Ce dont le point terminal est fini (Beta, uniforme).
¯ F(α) =:q(α) =αγ`(1),
Demanie`ree´quivalente,onapourα]0,1[,
xlimLL((xvx)1)=.
ouLselteinotne`savatruinaetfioonnsci.e., pour toutv>0 `
o`u`lentes.itnoa`avirtaoisncnofertuaenutse
F(¯x) =x1L(x) >, γ0,
Lois`aqueuelourdeOn peut montrer que toutes les fonctions de repartitionduD.A.deFre´chetse´crivent: ´
edeseoriursevalemesetxˆramitsEit´hT7sasymptotiquesAplpcitaoinpaonlurprospeschsiovRsniuse´tatl
,
ou`1<kn<n.
i+1,n ik=Xn1ilogXXnni,n
1 kn
γˆnH=
nγˆnkαn
Hill
γtsmiEprortaueeparpos´
:
(1975)
nH
Estimateur classique de
+nkn,1nα(WnX=)7819ˆq):ssein(masoe´apWrα()nrppoateurdeqtlestimiude´dnenO:anOcilppAsenoitaesruˆrtxsemeitsEtimapaonlurprosphcseovsiniRse´usltatsasymptotiquaveldeseoeirT8´h
Ond´enuiedetl8791(namnα(Wqˆ:)n+kXn)=nαknn1,tauetsmiα()ndrqeos´epropeissparWptotiquetatsasymitnoAsppilac
ˆγHk1nkXnilogXnXin+i,1n,n, = n i=1
u
ou 1<kn<n. `
s
Construction d’un estimateur deq(αn) On a :
p
og`(αn1) logqq((kn/αn)n) =γlogknαnn+ l`(n/kn).
locprnioˆaγtHanrn
Estimateur classique deγapHrsoe´9157li(l):matiEsopprurte
p´RsnlusevsehisioaleudesvorieTh´etsmiemEsrteˆsrxe8
rpcoehvspnralpsustimatiotrˆemesEuelaxesreirovsed8´eThγesEuqdesaisrulcmateEstitionlicappAseuqitotpmysatstaulesR´nssioietruitamsoe´rppoill(parH):ˆγ1975nknk1=nHgoli1=iX1,i+nXni,nnX,stetluiedd´enOnrp)nα(qedruetamirWeissmaopos´epaqˆ(Wnα=)(n9187:)knnnnαkXn1,n+nHγˆ
γlogkn+ log`(αn1) logXnq(kαnn+)1,nnαn`(n/kn).
Construction d’un estimateur deq(αn) On a :
` 1<kn<n. ou
logq(αn)kn+0. Xnkn+1,nγlognαn
Construction d’un estimateur deq(αn) On a :
ou`1<kn<n.
mesetxˆrruesaveledeseori8Th´siovRsniorpssehcpaonlurptiEstimalpcitaoiituqsepAsasympto´esultatnn)(αqW:ˆ+1knn=Xnαnnkn,
ˆ 1ki=Xn1ilogXnXin+i,1n,n, γH= n kn
Estimateur classique deγrapelliHorpr´sop97(1:5)stimateuE
nHγˆαn)pdeq(s´eproposimsraeW79)8na1(neO´endtiudselamitruet
Soyez le premier à déposer un commentaire !

17/1000 caractères maximum.