Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins Rémi Servien Laboratoire Jean Kuntzmann INP Grenoble Neuvième Colloque Jeunes Probabilistes et Statisticiens Mai 2010 Le Mont Dore 1 / 19 Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
25
Embed
Condition nécessaire et suffisante de convergence en loi ...math.univ-bpclermont.fr/~bahadora/JPS/WEB/EXPOSES/Servien.pdf · Estimateur classique des k n plus proches voisins S n
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Condition nécessaire et suffisante de convergence en loide l’estimateur des plus proches voisins
Rémi Servien
Laboratoire Jean KuntzmannINP Grenoble
Neuvième Colloque Jeunes Probabilistes et StatisticiensMai 2010
Le Mont Dore
1 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Plan de la présentation
1 Estimateur classique des kn plus proches voisins
2 Point de Lebesgue et ρ-régularité
3 Indice de régularité
4 Simulations
5 Conclusion
2 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Estimateur classique des kn plus prochesvoisins
Sn = {X1, ...,Xn} de v.a. iid sur Rd tiré à partir d’une mesure deprobabilité µ
Estimateur de la densité des kn-plus proches voisins :
fkn(x) =kn
nλ(Bkn(x))
où Bkn(x) est la plus petite boule de centre x contenant kn pointsde l’échantillon.
Estimateur convergent
3 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Théorème (Moore et Yackel, 1977)Si f est continue et à dérivées bornées dans un voisinage de xavec f (x) > 0 et sous les conditions de convergence de fkn
limn→∞
kn =∞ et limn→∞
kn
n= 0
et sous la condition supplémentaire
limn→∞
kn
n2/3 = 0
alors la variable aléatoire
Tn(x) =√
knfkn(x)− f (x)
f (x)
converge vers une loi N (0,1).
4 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Définitions
x est un point de Lebesgue de la mesure µ si
limδ→0+
µ(Bδ(x))
λ(Bδ(x))= f (x) existe.
x est un point ρ-régulier de la mesure µ si∣∣∣∣µ(Bδ(x))
λ(Bδ(x))− f (x)
∣∣∣∣ ≤ ρ(δ), (1)
où ρ est une fonction mesurable telle que limδ→0+ ρ(δ) = 0(Berlinet et Levallois, 2000).
5 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
ExempleOn définit, pour x ∈ [−1,1] et x 6= 0, la densité
f1(x) =
√|x |+ 2− cos(1/x) + 2x sin(1/x)
c
−1.0 −0.5 0.0 0.5 1.0
0.2
0.3
0.4
0.5
0.6
x
f 1((x
))
6 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Exemple
Discontinuité du 2nd ordre en 0.
Maisµ1(Bh(0))
2h=
2c
+23c
h1/2 + o(h1/2)
0 est un point de Lebesgue de la mesure µ1 de densité f1
7 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Théorème (Berlinet et Levallois, 2000)Sous les conditions de convergence de fkn , si x est un pointρ-régulier de la mesure µ avec f (x) > 0, alors la condition√
knρ(Rn(x))P→ 0
lorsque n tend vers l’infini implique la convergence endistribution de la variable aléatoire
Tn(x) =√
knfkn(x)− f (x)
f (x)
vers une loi N (0,1).
8 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Indice de régularité
Si en x , point de Lebesgue de la mesure µ, nous avons
µ(Bδ(x))
λ(Bδ(x))= f (x) + Cxδ
αx + o(δαx ) quand δ → 0+, (2)
où Cx 6= 0 et αx > 0.
L’indice αx est appelé indice de régularité de la mesure µ aupoint x .
9 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Exemple 1
f1(x) =
√|x |+ 2− cos(1/x) + 2x sin(1/x)
c
µ1(Bh(0))
2h=
2c
+23c
h1/2 + o(h1/2)
0 est un point de Lebesgue de la mesure µ1 de densité f1 avecun indice de régularité α0 = 1/2.
10 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Exemple 2
f2(x) = 1−√
2/3 +√|x | si x ∈ [−0.5,0.5]
−0.4 −0.2 0.0 0.2 0.4
0.6
0.7
0.8
0.9
1.0
1.1
1.2
x
f 2((x
))
Pour µ2(x) on a :
αx = 1 si x 6= 0
αx = 0.5 si x = 0
Caractère très fortement local de l’indice de régularité
11 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Exemple 3
f3(x) =1
log |x |+ 1− a si x ∈ [−0.5,0.5]\0
= 1− a si x = 0
−0.4 −0.2 0.0 0.2 0.4
0.4
0.6
0.8
1.0
1.2
1.4
1.6
x
f 3((x
))
0 est un point de Lebesguede la mesure µ3
On a ρ-régularité avecρ(δ) = −1/ log δ
Il n’y a pas d’indice derégularité en 0.
12 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Théorème
Si x est un point de Lebesgue où (2) est vérifié avec f (x) > 0,et sous les conditions de convergence de fkn , la variablealéatoire
Tn(x) =√
knfkn(x)− f (x)
f (x)
converge en loi si et seulement si la suite(k1+1/2αx
n
n
)
a une limite finie κ. Lorsque cette condition est vérifiée, la loiasymptotique de Tn(x) est
N
(Cxκ
αx
2αx
(1
f (x)
)αx+1
,1
).
13 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Exemple
f2(x) = 1−√
2/3 +√|x | si x ∈ [−0.5,0.5]
Pour µ2(x) on a :
αx = 1 si x 6= 0
αx = 0.5 si x = 0
Sans prendre en compte la spécificité de f2 en 0, on choisitkn =
√n pour n = 10000.
14 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Exemple
−2 0 2 4 6
0.0
0.1
0.2
0.3
0.4
x=−0.25x=−0.125x=0x=0.125x=0.25
15 / 19Condition nécessaire et suffisante de convergence en loi de l’estimateur des plus proches voisins
Estimateur classique Point de Lebesgue et ρ-régularité Indice de régularité Simulations Conclusion
Simulationsf2(x) = 1−
√2
3 +√|x |, x ∈ [−0.5,0.5]
Hypothèses du théorème : en 0 : kn << n0.5 et kn << n2/3