Présentation de la méthode de la vraisemblance empirique
68 pages
Français

Présentation de la méthode de la vraisemblance empirique

-

Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres
68 pages
Français
Le téléchargement nécessite un accès à la bibliothèque YouScribe
Tout savoir sur nos offres

Description

Rappels de statistique paramétrique
Vraisemblance empirique (cadre iid) : deux approches
Cadres d’application, avantages, exemples
Présentation de la méthode de
la vraisemblance empirique
J.Worms
J.Worms Introduction à la vraisemblance empirique Rappels de statistique paramétrique
Vraisemblance empirique (cadre iid) : deux approches
Cadres d’application, avantages, exemples
Plan de l’exposé
1 Rappels de statistique paramétrique
Modèles paramétriques et vraisemblance
Rapport des maxima de vrlance
2 Vraisemblance empirique (cadre iid) : deux approches
Approche NPMLE (max de vraisemblance
non-paramétrique)
Approche Minimum de Contraste
3 Cadres d’application, avantages, exemples
J.Worms Introduction à la vraisemblance empirique Rappels de statistique paramétrique
Modèles paramétriques et vraisemblance
Vraisemblance empirique (cadre iid) : deux approches
Rapport des maxima de vrlance
Cadres d’application, avantages, exemples
1 Rappels de statistique paramétrique
Modèles paramétriques et vraisemblance
Rapport des maxima de vrlance
2 Vraisemblance empirique (cadre iid) : deux approches
Approche NPMLE (max de vraisemblance
non-paramétrique)
Approche Minimum de Contraste
3 Cadres d’application, avantages, exemples
J.Worms Introduction à la vraisemblance empirique Rappels de statistique paramétrique
Modèles paramétriques et vraisemblance
Vraisemblance empirique (cadre iid) : deux approches
Rapport des maxima de vrlance
Cadres d’application, avantages, exemples
Modèle ...

Sujets

Informations

Publié par
Nombre de lectures 141
Langue Français

Exrait

Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples
Présentation de la la vraisemblance
J.Worms
J.Worms
e
méthode d empirique
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples Plan de l’exposé
1
2
3
Rappels de statistique paramétrique Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
Vraisemblance empirique (cadre iid) : deux approches Approche NPMLE (max de vraisemblance non-paramétrique) Approche Minimum de Contraste
Cadres d’application, avantages, exemples
J.Worms
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples
1
2
3
Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
Rappels de statistique paramétrique Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
Vraisemblance empirique (cadre iid) : deux approches Approche NPMLE (max de vraisemblance non-paramétrique) Approche Minimum de Contraste
Cadres d’application, avantages, exemples
J.Worms
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples Modèle paramétrique
X1 . . . Xni.i.d.,Rp
Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
définies surA), de loiµ
Modèle paramétrique:
µ∈ P:={µθ
:
θΘ}
Objectif: estimerθ −→région de confiance ou test concernantθou g(θ)
ˆ Moyen fréquent normalité asymp. de l’estimateur: exploiterθ
Question usuelle: qualité du procédé en non-asymptotique
J.Worms
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples Modèle paramétrique
X1 . . . Xni.i.d.,Rp
Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
définies surA), de loiµ
Modèle paramétrique:
µ∈ P:={µθ
:
θΘ}
Objectif: estimerθ −→région de confiance ou test concernantθou g(θ)
ˆ Moyen fréquent normalité asymp. de l’estimateur: exploiterθ
Question usuelle: qualité du procédé en non-asymptotique
J.Worms
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples Modèle paramétrique
X1 . . . Xni.i.d.,Rp
Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
définies surA), de loiµ
Modèle paramétrique:
µ∈ P:={µθ
:
θΘ}
Objectif: estimerθ −→région de confiance ou test concernantθou g(θ)
ˆ Moyen fréquent: exploiter normalité asymp. de l’estimateurθ
Question usuelle: qualité du procédé en non-asymptotique
J.Worms
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples Modèle paramétrique
X1 . . . Xni.i.d.,Rp
Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
définies surA), de loiµ
Modèle paramétrique:
µ∈ P:={µθ
:
θΘ}
Objectif: estimerθ −→région de confiance ou test concernantθou g(θ)
ˆ Moyen fréquent normalité asymp. de l’estimateur: exploiterθ
Question usuelle: qualité du procédé en non-asymptotique
J.Worms
Introduction à la vraisemblance empirique
Rappels de statistique paramétrique Vraisemblance empirique (cadre iid) : deux approches Cadres d’application, avantages, exemples Modèle paramétrique
X1 . . . Xni.i.d.,Rp
Modèles paramétriques et vraisemblance Rapport des maxima de vraisemblance
définies surA), de loiµ
Modèle paramétrique:
µ∈ P:={µθ
:
θΘ}
Objectif: estimerθ −→région de confiance ou test concernantθou g(θ)
ˆ Moyen fréquent: exploiter normalité asymp. de l’estimateurθ
Question usuelle: qualité du procédé en non-asymptotique
J.Worms
Introduction à la vraisemblance empirique
odèles paramétriques et vraisemblance apport des maxima de vraisemblance
Rappels de statistique paramétrique VraisemblanCcaedemspidriaqpupeli(ccaatidorne,iiadv)a:ntdaeguexs,aepxperomcphleessRM re Maximum de vraisemblance
Paramètre fini-dimensionnel :θΘavec dimΘ =k
Modèle dominé et vraisemblance
dµθ=fθdm(θ) L(θ) :=Qni=1fθ(Xi)
<
Sous de “bonnes” conditions,L(θ)est maximisée en un unique ˆ θappelé estimateur du maximum de vraisemblance (EMV) deθ.
J.Worms
Introduction à la vraisemblance empirique
odèles paramétriques et vraisemblance apport des maxima de vraisemblance
Vraisemblance emRpiaripqpueels(cdaedrsteaitiids)ti:qudeeupxaraapmpréotriheuMqR c es Cadres d’application, avantages, exemples Maximum de vraisemblance
Paramètre fini-dimensionnel :θΘavec dimΘ =k
Modèle dominé et vraisemblance
dµθ=fθdm(θ) L(θ) :=Qn1fθ(Xi) i=
<
Sous de “bonnes” conditions,L(θ)est maximisée en un unique ˆ θappelé estimateur du maximum de vraisemblance (EMV) deθ.
J.Worms
Introduction à la vraisemblance empirique
odèles paramétriques et vraisemblance apport des maxima de vraisemblance
V isemblance emRpiarpiqpueles(cdaedsrteatiiisdt)iq:udeeupxaraapmpértorciqhueesM raR Cadres d’application, avantages, exemples Maximum de vraisemblance
Paramètre fini-dimensionnel :θΘavec dimΘ =k
Modèle dominé et vraisemblance
dµθ=fθdm(θ) L(θ) :=Qni=1fθ(Xi)
<
Sous de “bonnes” conditions,L(θ)est maximisée en un unique ˆ θappelé estimateur du maximum de vraisemblance (EMV) deθ.
J.Worms
Introduction à la vraisemblance empirique
  • Accueil Accueil
  • Univers Univers
  • Ebooks Ebooks
  • Livres audio Livres audio
  • Presse Presse
  • BD BD
  • Documents Documents