Mathematical statistics

Mathematical statistics

-

Documents
6 pages
Lire
Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres

Description

UFR Mathématiques Master de mathématiques
Journaldeborddumodule
Statistiquemathématique
Les renvois de la table de matières sont cliquables.
Dernière mise à jour : 14 avril 2011.
Table des matières
1 Modèlestatistiqueetillustrationsimple 1
2 Rappelssurlesconvergences 2
3 Autourdelaloigaussienne 3
4 Estimationnonparamétrique 4
5 Fondementsdelastatistique 4
5.1 Modèles dominés et familles exponentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5.2 Théorie de la décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5.3 Exhaustivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5.4 Complétude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5.5 Théorie des estimateurs ponctuels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6 Solutionducontrôlecontinuterminal 5
A Quelquesrappelssurl’espéranceconditionnelle 6
B Bibliographie 6
C Exercices 6
1 Modèle statistique et illustration simple
– Rappels sur le cadre axiomatique de Kolmogorov concernant les probabilités et les variables aléatoires.
– Espace statistique
/USERS/petritis/ens/jdb-stat.tex Page 1 UFR Mathématiques Master de mathématiques
– Espace des paramètres
– des décisions
– Statistique
– Schéma de Bernoulli
– Estimation
– Localisation
– Test d’hypothèses
Suppléments
FIGURE 1 – Soit K une variable aléatoire distribuée selon la loiB(n;q) avec n= 25 et q2[0;1]. La ...

Sujets

Informations

Publié par
Nombre de lectures 109
Langue Français
Signaler un problème
UFR MathÉmatiques
Table des matiÈres
Journal de bord du module Statistique mathÉmatique Les renvois de la table de matires sont cliquables. Dernire mise À jour : 14 avril 2011.
1 ModÈlestatistique et illustration simple
2 Rappelssur les convergences
3 Autourde la loi gaussienne
4 Estimationnon paramÉtrique
Master de mathÉmatiques
1
2
3
4
5 Fondementsde la statistique4 5.1 Modlesdomins et familles exponentielles4. . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 Thoriede la dcision4. . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 5.3 Exhaustivit. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 5.4 Compltude. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . 5.5 Thoriedes estimateurs ponctuels. . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . 5
6 Solutiondu contrÔle continu terminal
A Quelquesrappels sur l’espÉrance conditionnelle
B Bibliographie
C Exercices
1 ModÈlestatistique et illustration simple
– Rappelssur le cadre axiomatique de Kolmogorov concernant les probabilits et les variables alatoires. – Espacestatistique
/USERS/petritis/ens/jdb-stat.tex
5
6
6
6
Page 1
UFR MathÉmatiques
– Espacedes paramtres – Espacedes dcisions – Statistique – Schmade Bernoulli – Estimation – Localisation – Testd’hypothses SupplÉments
Master de mathÉmatiques
FIGURESoit1 –Knune variable alatoire distribue selon la loiB(n,θ)avecn=25 etθ[0,1]. La figure reprsente les probabilitsp(θ) =Pθ(Knk0)(en rouge) etq(θ) =1Pθ(Knk0)(en vert) aveck0=5 pour les diffrentes valeurs deθ. On constate que pour toutθ[0,θ0], avecθ0=0.05, la probabilitp(θ)reste infrieure À 0.01, ce qui signifie que la probabilit de commettre une erreur de premire espce est trs faible. Cependant pourθ>θ0mais proche deθ0la probabilitq(θ)de commettre une erreur de seconde espce est substantielle.
2 FIGURE2 –Les densits de la loi normaleN(0,σ)avecσ=1 (en vert),σ=1/2 (en rouge) etσ=2 (en orange).
2 Rappelssur les convergences
– Formulationsquivalentes de la convergence presque sÛre. – Convergenceen probabilit.
/USERS/petritis/ens/jdb-stat.tex
Page 2
UFR MathÉmatiques
Master de mathÉmatiques
FIGURE3 –Les densits de la loiγp,1avecp=1 (en rouge),p=2 (en vert) etp=4 (en orange).
F 4– Lesdensits de la loiγ2,λavecλ=2 (en rouge),λ=1 (en vert) etλ=1/2 (en orange). IGURE
– Laconvergence en probabilit est mtrisable – Laconvergence presque sÛre entrane la convergence en probabilit ; la rciproque est fausse en gnral. 0 – Sila suite(Xn)converge en probabilit versX, de toute suite croissante d’entiers(n), on peut extraire une 00 sous-suite(n)telle queXnconverge versXpresque sÛrement. 00 p – ConvergencedansL, avecp]0,[. p – Laconvergence dansLentrane la convergence en probabilit. – Èqui-intgrabilit. 1 – SiXnXen probabilit et(Xn)qui-intgrable, alorsXintgrable et la convergence a lieu aussi dansL. – Fonctionsde rpartition et caractristique. – Lesfonctions de rpartition et caractristique dterminent la loi. – Laconvergence en probabilit entrane la convergence en loi. – Tension; convergence troite ; critres de tension. – Siune suite de probabilits est qui-tendue et converge faiblement alors elle converge troitement. – Convergenced-dimensionnelles ; critre de Cramr-Wold.
3 Autourde la loi gaussienne
– Densitgaussienned-dimensionnelle ; matrice de covariance.
/USERS/petritis/ens/jdb-stat.tex
Page 3
UFR MathÉmatiques
Master de mathÉmatiques
2 – Loiduχ, de Student, loiF. – Si(Xi)i=1,...,nsont indpendantes gaussiennes, leur moyenne empirique et leur variance empirique sont ind-pendantes.
4 Estimationnon paramÉtrique
– Fonctionde rpartition empirique. – Thormede Glivenko-Cantelli. – Thormede Kolmogorov-Smirnov (sans dmonstration). – Soitun chantillon den1+n2variables alatoires indpendantes et identiquement distribues selon une loi de fonction de rpartitionFcontinue. Alors r in1n2lo ˆ ˆ lim sup|Fn1Gn2|=limnDn, n1+n2xR ˆ ˆ Fn1etGn2sont les fonctions de rpartition empiriques partielles etDnla diffrence apparaissant dans le thorme de Glivenko-Cantelli. La dmonstration est faite dans le cas particuliern1=n2=net illustre bien le principe de rflexion. + + – Statistiquelibre ; les statistiquesD,DetD, associ n n,Dn1,n2n1,n2es À des loiscontinuessont libres. – Èchantillonsordonns, statistique d’ordre, statistique de rang.
5 Fondementsde la statistique
5.1 ModÈlesdominÉs et familles exponentielles
– Domination. – Siµest une mesure dominanteσ-finie, il existe une probabilit qui lui est quivalente. – Familleexponentielle. – Espacede paramtrisation naturelle. – L’espacede paramtrisation naturelle est convexe. – Complexificationde l’espace de paramtrisation; proprits d’holomorphie des esprances en les variables de l’espace de paramtres comlexifies.
5.2 ThÉoriede la dÉcision
– Rglede dcision dterministe, stochastique. – Fonctionde perte. – Risquede la dcision. C-optimalit ;C-admissibilit. – Exemples. – Principedu minimax, principe de Bayes. – Risquemoyenn de Bayes pour des rgles de dcision dterministes. – Risquemoyenn de Bayes pour des rgles de dcision stochastiques.
/USERS/petritis/ens/jdb-stat.tex
Page 4
UFR MathÉmatiques
5.3 ExhaustivitÉ
Master de mathÉmatiques
– Tribuet statistique exhaustives. – Thormede Bahadur. – SoientS1etS2deux statistiques etµune probabilit :σ(S1)σ(S2)modµsi, et seulement si, il existe une application mesurableψtelle queS1=ψS2. – Thormede Halmos-Savage : Sur un modle statistique(X,X,Π)domin (avec la probabilit dominante crite sous la formeν=nNcnPn), une sous-tribuFXest exhaustive si, et seulement si, pour toute dP PΠ, il existe une densitF-mesurable, notefP, telle que=fP,ν-p.s. dν – Corollaire: pour une famille exponentielle, dont les densits par rapport À la mesure de rfrence s’crivent k sous la formefθ(x) =C(θ)exp(j=1cj(θ)hj(x))h(x), la statistiqueS:x7→(h1(x), . . . ,hk(x))Rest ex-haustive. – Exemples. – Illustrationde la notion d’exhaustivit dans un cas discret.
5.4 ComplÉtude
– Famillede probabilits et statistique compltes. – SiΠest complte par rapport À une sous-tribuFexhaustive alorsFest minimalement exhaustive. – Si une famille exponentielle dont les densits par rapport À une mesure de rfrence s’crivent comme fθ(x) =C(θ)h(x)exp(j=1cj(θ)hj(x)est de rang total, alors la statistiqueS(x) = (h1(x), . . . ,hk(x))est com-plte.
5.5 ThÉoriedes estimateurs ponctuels
– Biais. – Plongementde l’estimation deg(θ)dans la cadre de la thorie de la dcision. – Calculdu risque pour des fonctions de perte donnes par des formes quadratiques. – Thormede Rao-Blackwell. – Thormede Lehmann-Scheff ; estimateurs uniformment efficaces. – Ingalitde Cramr-Rao. – Matriced’information de Fisher. – Critred’efficacit d’un estimateur par comparaison de son risque avec la borne d’information. – Exemplede la famille exponentielle. – Vraisemblanceet log-vraisemblance. – Estimateurdu maximum de vraisemblance.
6 Solutiondu contrÔle continu terminal
ContrÔle continu du 13 avril 2011
/USERS/petritis/ens/jdb-stat.tex
Page 5
UFR MathÉmatiques
A Quelquesrappels sur l’espÉrance conditionnelle
Master de mathÉmatiques
– Projectiondans un espace de Hilbert. – Thormede Kolmogorov sur l’esprance conditionnelle. – Dmonstrationde l’existence et de l’unicit de l’esprance conditionnelle par une mthode base sur la projection hilbertienne. – Loiconditionnelle ; noyau stochastique.
B Bibliographie
La rfrence de base est indique encaractÈres gras.
P. Billingsley, Probability and measure. Third edition. Wiley Series in Probability and Mathematical Statistics. John Wiley, New York (1995).
D. Dacunha-Castelle, M. Duflo, Probabilits et statistique, vol. 1, Masson, Paris (1982).
D. Fourdrinier, Statistique infÉrentielle, Dunod, Paris (2002).
E.L. Lehmann, Testing statistical hypotheses, Chapman and Hall, , New York (1986).
C Exercices
Recueil d’exercices
/USERS/petritis/ens/jdb-stat.tex
Page 6