Article de référence | Réf : AF603 v1

Estimation de la fonction de répartition
Estimation fonctionnelle

Auteur(s) : Denis BOSQ

Date de publication : 10 oct. 2009

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

RÉSUMÉ

Cet article expose les principales méthodes d’estimation fonctionnelle non paramétrique. Les modèles paramétriques présentent en général un paramètre d’intérêt de dimension infinie ; le plus souvent ce paramètre est une fonction que l’on cherche à estimer. Sont étudiées plus particulièrement les méthodes de la densité par projection, de la fonction de répartition, ainsi que celles de la densité spectrale. Ces méthodes présentent le grand intérêt de résister aux changements de modèles. Elles permettent aussi de guider le statisticien dans le choix d'un modèle paramétrique ; enfin, elles possèdent l’avantage d’être très efficaces pour la prévision. Quelques applications permettent l’illustration concrète de cette présentation.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

ABSTRACT

This article presents the non-parametric functional estimation methods. These parametric model present, in general, a parameter of interest in the infinite dimension; most often this parameter is a function that one tries to estimate. It particularly focuses on the density by projection , distribution function and spectral density methods. These methods are of great interest being resistant to changes in models. They also allow for assisting statisticians in choosing a parametric model and are very efficient for forecasting. This presentation is illustrated by several applications.

Auteur(s)

  • Denis BOSQ : Professeur émérite à l’université Pierre-et-Marie-Curie, Paris 6

INTRODUCTION

Dans cet article, nous exposons les principales méthodes d’estimation fonctionnelle non paramétrique. Ces méthodes ont l'avantage d'être robustes : elles résistent bien aux changements de modèles ; elles permettent aussi de guider le statisticien dans le choix d'un modèle paramétrique ; enfin, elles sont très efficaces pour la prévision. En particulier, nous étudierons l’estimation de la fonction de répartition, de la densité, de la régression et de la densité spectrale. Quelques applications sont données au cours du texte.

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-af603


Cet article fait partie de l’offre

Mathématiques

(166 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Version en anglais En anglais

3. Estimation de la fonction de répartition

À la fonction de répartition théorique F (exemple 2), on associe la fonction de répartition empirique :

Pour l’expliciter nous utiliserons la notation :

pour tout B . Alors ;

donc Fn(x) est la fréquence de l’événement Xi ∈ ]−∞, x]. On en déduit que nFn(x) suit la loi binomiale B(n, F (x)) :

Nota : Ici, et dans la suite, P désigne une loi de probabilité « générale » engendrée par μ sur tous les modèles associés à (X1,...,Xn), n≥ 1.

Par conséquent, Fn(x) est un estimateur sans biais de F (x) :

et sa variance s’écrit :

donc Fn(x) converge en moyenne quadratique vers F (x) ; autrement dit

...

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Mathématiques

(166 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Estimation de la fonction de répartition
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - BERLINET (A.), DEVROYE (L) -   A comparison of kernel density estimates  -  Publ. Inst. Statist. Univ. Paris, 38 (3), p. 3-59 (1994).

  • (2) - BLANKE (D.), PUMO (B.) -   Optimal sampling for density estimation in continuous time  -  J. Time Ser. Anal., 24 (1), p. 1-24 (2003).

  • (3) - BOSQ (D.) -   Test du χ2 généralisés. Comparation avec le test du χ2 classique  -  Revue Statist. Appliquée, 37 (1), p. 43-52 (1989).

  • (4) - BOSQ (D.) -   Nonparametric statistic for stochastic processes. Estimation and prediction  -  Volume 110 of Lecture Notes in Statistics, 2nd edition, Springer-Verlag, New York (1998).

  • (5) - BOSQ (D.) -   Functional tests of fit. In Goodness-of-fit tests and model validity  -  Stat. Ind. Technol., Birkhäuser (éd. Huber-Carol), Boston MA, p. 341–356 (2002).

  • (6) - BOSQ (D.), BLANKE (D.) -   Inference...

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Mathématiques

(166 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS