Académique Documents
Professionnel Documents
Culture Documents
Cours Max Vrais
Cours Max Vrais
Approche numrique
Page 1
X1, X2, . Xn
chantillon de donnes
f(x;)
Densit de probabilit sur X
f() est connu, inconnu
Page 2
But : trouver une densit de probabilit qui sajuste bien aux donnes et en
estimer les paramtres. Densit proposes : Normale, logNormale,
Weibull
B. Govaerts - Institut de Statistique - UCL
Page 3
L( ) = f ( xi ; )
i =1
l ( ) = log( L( )) = log( f ( xi ; ))
i =1
Page 4
dist
N ( , I 1 ( ))
I() est la matrice dinformation de Fischer dfinie par :
n
2
2
I ( ) =
l ( ) =
log( f ( xi ; )) = H ( )
'
i =1 '
matrice Hessienne
B. Govaerts - Institut de Statistique - UCL
Page 5
= g ()
dist
N ( , G ( )' I 1 ( )G ( ))
o G ( ) =
g ( )
Page 6
Densit normale
Fonction de vraisemblance
Log vraisemblance
Minimisation
i =1
i =1
L( ) = f ( xi ; ) =
( xi ) 2
exp(
)
2
2
2
2
1
n
( xi ) 2
n
n
2
l ( ) = log( f ( xi ; )) = log( ) log(2 )
2
2
2 2
i =1
i =1
n
( xi )
1 n
l ( ) = 2
= 0 = xi = X
2
2
n i =1
i =1
( xi ) 2
1 n
2
2
l
(
)
=
+
=
0
=
(
x
i
2
2 2 i =1 2 4
n i =1
1 n
= ( xi X ) 2
n i =1
2
Page 7
2
2
2
i =1
N(23.46, 222.75)
Page 8
A faire :
Ecrire une fonction qui permet de calculer l()
Minimiser cette fonction avec nlm en donnant des valeurs de dpart pour
les paramtres estimer.
Page 9
Rsultat
$minimum
[1] 824.3943
$estimate
[1] 23.46570 222.75373
$gradient
[1] 1.717000e-05 6.512322e-07
$code
[1] 1
$iterations
[1] 19
Page 10
La distribution logNormale
Un variable est logNormale si son logarithme est Normale. Elle
prend ses valeurs dans R0+ et permet dajuster des phnomnes
asymtriques.
Densit logNormale
Moments
(log( x) ) 2
f ( x; ) = f ( x; , ) =
exp(
)
2
2
2
x 2
2
E ( X ) = exp( + 2 / 2)
V ( X ) = (exp( 2 ) 1) exp(2 + 2 )
Exemples
Page 11
Densit lognormale
L( ) =
Fonction de vraisemblance
Log vraisemblance
Minimisation
i =1
(log( xi ) ) 2
f ( xi ; ) =
exp(
)
2
2
2
i =1 xi 2
n
n
n
n
n
(log( xi ) ) 2
2
l ( ) = log( f ( xi ; )) = log( ) log(2 ) log( xi )
2
2
2 2
i =1
i =1
i =1
n
(log( xi ) )
1 n
l ( ) = 2
= 0 = log( xi )
2
2
n i =1
i =1
(log( xi ) ) 2
1 n
2
2
l
(
)
=
+
=
0
=
(log(
x
)
i
2
2 2 i =1
2 4
n i =1
Page 12
n
n
n
n
( xi ) 2
2
2
2
2
i =1
i =1
i =1
n
logN(2.99,0.335)
Page 13
return(-logvrais)}
Rsultat
$minimum
[1] 772.3136
$estimate
[1] 2.9889810 0.3353075
$gradient
[1] 1.939801e-05 -2.501110e-06
$code
[1] 1
$iterations
[1] 21
Page 14
La distribution Weibull
La variable alatoire de Weibull 2 paramtres prend ses valeurs
entre dans R0+ et permet dajuster des phnomnes
asymtriques.
1
Densit Weibull
Moments
x
f ( x; ) = f ( x; , ) =
E ( X ) = (1 + 1 / )
exp(( x / ) )
V ( X ) = 2 ((1 + 2 / ) (1 + 1 / ) 2 )
Exemples
Page 15
> vraisweib
function (par,x)
mu=par[1]
sig2=par[2]
n=length(x)
logvrais=n*log(a)-n*a*log(b)+(a-1)*sum(log(x))-sum((x/b)^a)
return(-logvrais)}
Weib(1.73, 26.5)
Rsultat
$minimum
[1] 788.5652
$estimate
[1] 1.718531 26.501480
$gradient
[1] 1.203332e-04 -1.139379e-05
$code
[1] 1
$iterations
[1] 39
Page 16
1
1
V () = ( I ()) = ( H ()) =
log( f ( xi ; ))
i =1 '
Page 17
g ( ) g ( )
V ( )
'
=
E ( X ) = g () = exp( + 2 / 2) = 23.49
g ( , 2 )
= exp( + 2 / 2)
g ( , 2 ) 1
= exp( + 2 / 2)
2
2
g ( , 2 )
g ( , 2 ) g ( , 2 ) V ( )
cov( , 2 )
V ( E ( X )) =
2
2
2
2
V ( ) g ( , )
cov( , )
2
0.00167 0.000 23.49
= 1.077
= (23.49 11.745)
0.0000 0.00113 11.745
Page 18