HAL Id: inria-00386743
https://hal.inria.fr/inria-00386743
Submitted on 22 May 2009
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires
Estimation de la densité spectrale d’un champ aléatoire stationnaire continu par échantillonnage poissonnien
Kouadio Simplice Kouakou, Dominique Dehay
To cite this version:
Kouadio Simplice Kouakou, Dominique Dehay. Estimation de la densité spectrale d’un champ aléa-
toire stationnaire continu par échantillonnage poissonnien. 41èmes Journées de Statistique, SFdS,
Bordeaux, May 2009, Bordeaux, France, France. �inria-00386743�
Estimation de la densit´ e spectrale d’un champ al´ eatoire stationnaire continu par ´ echantillonnage
poissonnien
Simplice Kouadio KOUAKOU, Dominique DEHAY
Universit´ e de Rennes 2 -Haute Bretagne, Equipe de Statistique IRMAR Place du Recteur Henry Le Moal, CS 24307, 35043 Rennes cedex
R´ esum´ e: Dans ce papier, nous ´ etudions l’estimation de la densit´ e spectrale d’un champ al´ eatoire stationnaire continu ` a l’aide d’un ´ echantillonnage poissonnien. Sous certaines conditions de r´ egularit´ e sur les cumulants d’un tel champ, nous construisons un estimateur de sa densit´ e spectrale et nous ´ etablissons la consistance en moyenne quadratique et la normalit´ e asymptotique de celui-ci.
Abstract: In this paper we study the estimation of the spectral density function of a continuous station- ary random field from Poisson sampling. Under regularity conditions on the cumulants of the field we establish the quadratic consistency and the asymptotic normality of the spectral density estimator.
Mots-cl´ es: Estimation, densit´ e spectrale, champ al´ eatoire stationnaire, ´ echantillonnage poissonnien, con- sistance en moyenne quadratique, biais, normalit´ e asymptotique.
1 Introduction
On consid` ere un champ al´ eatoire stationnaire centr´ e ` a valeurs r´ eelles X = {X(s, t) : s, t ∈ R} , de moments d’ordre 2 finis et de fonction de covariance continue C X : (u, v) 7→ E{X (s, t)X(s + u, t + v)} ∈ L 1 (R 2 ).
On se propose d’estimer sa densit´ e spectrale f X (λ, α) = (2π) 1 2
R
R 2 C X (u, v)e −iλu e −iαv dudv, ` a partir d’observations discr` etes {X (τ k , ν j ) : k ≥ 1, j ≥ 1}, o` u {τ k } et {ν j } sont des processus de Poisson. Ce probl` eme a ´ et´ e ´ etudi´ e par Lii et Masry (1994) pour des processus stationnaires index´ es par R. Nous adoptons leur m´ ethode au cas bi-dimensionnel.
Notre papier se pr´ esente comme suit. Dans la section 2, nous ´ etudions le probl` eme d’´ echantillonnage du champ X. Ensuite, dans la section 3, nous d´ efinissons un estimateur de f X (λ, α), et dans la section 4, nous ´ etablissons respectivement la consistance en moyenne quadratique et la normalit´ e asymptotique de cet estimateur.
2 Pr´ eliminaires et Hypoth` eses
Soient τ et ν deux processus de Poisson ind´ ependants entre eux, et ind´ ependants du champ X. Soit N 1
(resp. N 2 ) le processus de comptage associ´ e ` a τ (resp. ν) et β 1 = E{N 1 (]0; 1])} (resp. β 2 = E{N 2 (]0; 1])}) l’intensit´ e moyenne du processus τ (resp. ν).
Soit Z le processus ´ echantillonn´ e d´ efini par : Z(s + ds, t + dt) = X (s, t)N 1 (s + ds)N 2 (t + dt) et µ Z la
mesure σ-finie d´ efinie par : µ Z (du, dv)dsdt = Cov{Z(s +ds, t+dt), Z(s +u+du, t + v +dv)}, o` u N 1 (s +ds)
est le nombre de τ k dans ]s, s + ds] et N 2 (t + dt) le nombre de ν j dans ]t, t + dt].
La densit´ e spectrale, not´ ee f Z (λ, α), du processus Z est d´ efinie par : f Z (λ, α) = 1
(2π) 2 Z
R 2
e −iλu e −iαv µ Z (du, dv).
Nous d´ eduisons que, f X (λ, α) = β 2 1
1 β 2 2 f Z (λ, α) − 2πβ 1 2
1 β 2 f Z 1 (λ) − 2πβ 1
1 β 2 2 f Z 2 (α) + (2π) 2 1 β 1 β 2 C X (0, 0), o` u f Z 1 (λ) = β 1 C
X2π (0,0) + β 1 2 f X (1) (λ), f Z 2 (α) = β 2 C
X2π (0,0) + β 2 2 f X (2) (α),
f X (1) (λ) = 2π 1 R
R C X (u, 0)e −iλu du et f X (2) (α) = 2π 1 R
R C X (0, v)e −iαv dv.
Les hypoth` eses
Hypoth` ese 2.1 Soit W une fonction r´ eelle continue, paire et positive, satisfaisant les conditions suivantes : W ∈ L 1 ∩ L ∞ , R
R W (λ)dλ = 1 et w(u) := R
R W (λ)e iλu dλ ∈ L 1 . Hypoth` ese 2.2 Soit K ≥ 2. Pour tout k = 2, ..., K, et tout j = 1, ..., k − 1,
Z
R 2k−2
(1 + |u j |)(1 + |v j |)
C X (k) ((u 1 ; v 1 ), (u 2 ; v 2 ), ..., (u k−1 ; v k−1 ))
du 1 ...du k−1 dv 1 ...dv k−1 < +∞, o` u C X (k) est le cumulant d’ordre k de X.
3 D´ efinition de l’estimateur de la densit´ e spectrale
Un estimateur de la densit´ e spectrale f X (λ, α) est d´ efini comme suit : f b X (λ, α) = 1
β 1 2 β 2 2 f b Z (λ, α) − 1 2πβ 1 2 β 2
f b Z 1 (λ) − 1
2πβ 1 β 2 2 f b Z 2 (α) + 1 (2π) 2 β 1 β 2
C b X (0, 0), o` u
C b X (0, 0) = 1 β 1 β 2 T 1 T 2
Z T 1 0
Z T 2 0
X 2 (s, t)N 1 (s + ds)N 2 (t + dt), f b Z (λ, α) =
Z
R 2
W T 1 (λ − u)W T 2 (α − v)I T 1 ,T 2 (u, v)dudv, f b Z 1 (λ) =
Z
R
W T 1 (λ − u)I T (1)
1 ,T 2 (u)du, f b Z 2 (α) = Z
R
W T 2 (α − v)I T (2)
1 ,T 2 (v)dv, I T (1)
1 ,T 2 (λ) = 1
2πβ 2 T 1 T 2 Z T 2
0
|d Z,T 1 (λ, t)| 2 N 2 (t + dt), I T (2)
1 ,T 2 (α) = 1 2πβ 1 T 1 T 2
Z T 1 0
|d Z,T 2 (s, α)| 2 N 1 (s + ds),
I T 1 ,T 2 (λ, α) = 1 (2π) 2 T 1 T 2
Z T 1 0
Z T 2 0
X(s, t)e −iλs e −itα N 1 (s + ds)N 2 (t + dt)
2
d Z,T 1 (λ, t) = Z T 1
0
X(s, t)e −iλs N 1 (s + ds), d Z,T 2 (s, α) = Z T 2
0
X(s, t)e −iαt N 2 (t + dt) W T
j(u) = 1
b T
jW u
b T
j, avec b T
j→ 0 lorsque T j → ∞.
A partir des observations {X(τ k , ν j )} 1≤k≤N(T
1 ),1≤j≤N (T 2 ) , l’estimateur de la densit´ e spectrale s’´ ecrit sous la forme :
f b X (λ, α) = 1 (2π) 2 T 1 T 2 β 1 2 β 2 2
N (T 1 )
X
k=1,k6=m N (T 2 )
X
j=1,j6=n N (T 1 )
X
m=1 N(T 2 )
X
n=1
X (τ k , ν j )X (τ m , ν n )e −iλ(τ
k−τ
m) e −iα(ν
j−ν
n)
×w [b T 1 (τ k − τ m )] w [b T 2 (ν j − ν n )] .
4 Propri´ et´ es de l’estimateur
4.1 Consistance en moyenne quadratique
Th´ eor` eme 4.1 On suppose que X est un champ al´ eatoire stationnaire centr´ e ` a valeurs r´ eelles dont la fonction d’autocovariance C X ∈ L 1 (R 2 ) satisfait les conditions suivantes : uC X (u, 0), vC X (0, v) ∈ L 1 (R).
Alors, l’estimateur f b X (λ, α) de la densit´ e spectrale est asymptotiquement sans biais.
Corollaire 4.1 On suppose les hypoth` eses du th´ eor` eme 4.1 satisfaites.
Soit N un entier naturel non nul tel que : (i) u k v N C X (u, v) ∈ L 1 R 2
, u N v p C X (u, v) ∈ L 1 R 2
, pour k, p = 0, 1, ..., N, (ii) w(.) est N -fois diff´ erentiable, avec w (N) (.) born´ ee et continue.
Alors,
E n
f b X (λ, α) o
= f X (λ, α) + X
(k,p)∈Λ
∗N(ib T 1 ) k (ib T 2 ) p w (k) (0)w (p) (0) k!p!
∂ k+p
(∂x) k (∂y) p f X (λ, α) +o b N T 1
+ o b N T 2 + O
1 T 1
+ O
1 T 2
, o` u Λ ∗ N = [0, ..., N] × [0, ..., N ] \ {(0, 0)}.
Comme w (1) (0) = 0, le biais de f b X (λ, α) s’´ ecrit : biais n
f b X (λ, α) o
= − b 2 T
1 w (2) (0) 2
∂ 2
∂x 2 f X (λ, α) − b 2 T
2 w (2) (0) 2
∂ 2
∂y 2 f X (λ, α) + b 2 T
1 b 2 T
2 [w (2) (0)] 2 4
∂ 4
(∂x) 2 (∂y) 2 f X (λ, α) +o b 2 T 1
+ o b 2 T 2 + O
1 T 1
+ O
1 T 2
.
Th´ eor` eme 4.2 On suppose les hypoth` eses 2.1 et 2.2 satisfaites avec K = 4, et b T
j→ 0 tel que T j b T
j→ ∞ (j = 1, 2). Alors, pour tous λ 1 , λ 2 , α 1 , α 2 , on a :
Cov n
f b X (λ 1 , α 1 ), f b X (λ 2 , α 2 ) o
= (2π) 2
T 1 T 2 b T 1 b T 2 β 1 4 β 4 2 f Z 2 (λ 1 , α 1 ) [δ λ 1 ,λ 2 δ α 1 ,α 2 + δ λ 1 ,−λ 2 δ α 1 ,−α 2 ] Z
R
W 2 (u)du 2
+ 1
2πβ 1 4 β 2 3 T 1 T 2 b T 1
f Z 2 1 (λ 1 ) × (δ λ 1 ,λ 2 + δ λ 1 ,−λ 2 ) × Z
R
W 2 (u)du
+ 1
2πβ 1 3 β 2 4 T 1 T 2 b T 2
f Z 2
2 (α 1 ) × (δ α 1 ,α 2 + δ α 1 ,−α 2 ) × Z
R
W 2 (u)du +O
1 T 1
+ O
1 T 2
+ o
1 T 1 T 2 b T 1 b T 2
+ O 1
T 1 T 2
p b T 1 b T 2
! .
4.2 Normalit´ e asymptotique
On pose C o (R + , ]0; 1[) = {g ∈ C(R + ) : 0 < g < 1, lim x→+∞ g(x) = 0}, o` u C(R + ) est l’ensemble des fonc- tions r´ eelles continues et d´ efinies sur R + = [0; +∞[.
Th´ eor` eme 4.3 On suppose que les hypoth` eses du th´ eor` eme 4.2 sont satisfaites et que T 1 7→ b T 1 , T 2 7→ b T 2 ∈ C o (R + , ]0; 1[) telles que c 1 T 1 + c 2 T 2 = o
1 b
T1 b
T2
, pour tous r´ eels positifs c 1 , c 2 . Alors, pour tous λ 1 , λ 2 , α 1 , α 2 , on a :
T 1 T 2 b T 1 b T 2 Cov n
f b X (λ 1 , α 1 ), f b X (λ 2 , α 2 ) o
= (2π) 2
β 1 4 β 2 4 f Z 2 (λ 1 , α 1 ) [δ λ 1 ,λ 2 δ α 1 ,α 2 + δ λ 1 ,−λ 2 δ α 1 ,−α 2 ]
× Z
R
W 2 (u)du 2
+ o(1) + O p b T 1 b T 2
. (4.1)
Th´ eor` eme 4.4 On suppose que les hypoth` eses du th´ eor` eme 4.3 sont satisfaites et que pour j = 1, 2, b T
j= O
T j −γ
j, avec 1 2 < γ j < 1. Alors, les variables n
(T 1 T 2 b T 1 b T 2 ) 1 2 n
f c X (λ i , α i ) − E n
f c X (λ i , α i ) oo n
i=1
o
sont conjointement, asymptotiquement normales de moyenne nulle et de covariances donn´ ees par (4.1).
Remarques :
• Pour b T
j= O T j −γ
j, j = 1, 2, on a : c 1 T 1 +c 2 T 2 = o
1 b
T1 b
T2
si et seulement si T
1−γ 1
γ2
1 << T 2 << T
γ
1 1−γ 2
1 .
• Si w (2) (0) = 0, alors le th´ eor` eme 4.4 de normalit´ e asymptotique est encore valable lorsque l’on remplace E n
f c X (λ i , α i ) o
par f X (λ i , α i ).
5 Discussion et exemple
(i) On suppose les hypoth` eses du corollaire 4.1 satisfaites pour N ≥ 2. Alors la vitesse de convergence de l’estimateur de la densit´ e spectrale est : T 1 γ 1 −1 T 2 γ 2 −1 .
(ii) Si f b X,C (λ, α) est l’estimateur classique de f X (λ, α) pour les observations {X (s, t) : 0 ≤ s ≤ T 1 , 0 ≤ t ≤ T 2 }, alors f b X,C (λ, α) a le mˆ eme biais que f b X (λ, α) et sa variance est (Parzen, 1967) :
V ar n
f b X,C (λ, α) o
= (2π) 2 T 1 T 2 b T 1 b T 2
f X 2 (λ, α) (1 + δ 0,λ δ 0,α ) Z
R
W 2 (u)du 2
+ o
1 T 1 T 2 b T 1 b T 2
+ O 1
T 1 T 2
p b T 1 b T 2
! . En remarquant que V P (λ, α) := β 4 1
1 β 2 4 f Z 2 (λ, α) > f X 2 (λ, α), pour tout (λ, α), la comparaison en moyenne quadratique de ces deux estimateurs peut ˆ etre faite ` a l’aide du coefficient d’approximation :
K(λ, α) := V P (λ, α) − f X 2 (λ, α) V P (λ, α) . Il est clair que 0 < K (λ, α) < 1, pour tout (λ, α).
Comme exemple, consid´ erons le champ : X (s, t) = X 1 (s)X 2 (t), o` u X 1 et X 2 sont deux processus station- naires centr´ es ind´ ependants, de fonctions d’autocovariance respectives C 1 (u) = σ 1 2 e −ρ 1 |u| et
C 2 (v) = σ 2 2 e −ρ 2 |v| , avec ρ 1 > 0, ρ 2 > 0. On v´ erifie que : f X (λ, α) = ρ 1 ρ 2 σ 1 2 σ 2 2
π 2 (ρ 2 1 + λ 2 )(ρ 2 2 + α 2 ) , V P (λ, α) = σ 1 σ 2
π
4 ρ 1 ρ 2
(ρ 2 1 + λ 2 )(ρ 2 2 + α 2 ) + 1 4β 1 β 2 + 1
2
ρ 1
β 2 (ρ 2 1 + λ 2 ) + ρ 2
β 1 (ρ 2 2 + α 2 ) 2
, et que V P (λ, α) > f X 2 (λ, α).
La figure 1 illustre l’´ ecart relatif en moyenne quadratique des estimateurs f b X,C (λ, α) et f b X (λ, α) pour ρ 1 = ρ 2 = π, σ 1 = σ 2 = 1, (λ, α) ∈ [−10; 10] 2 et 3 valeurs respectives (0.4, 0.5), (1, 5) et (7, 9) de (β 1 , β 2 ).
Elle montre aussi que l’on a une meilleure approximation de la densit´ e spectrale f X (λ, α), lorsque les intensit´ es moyennes β 1 et β 2 ont de grandes valeurs.
Annexe
Preuve du th´ eor` eme 4.1
Grˆ ace ` a l’hypoth` ese 2.2, nous montrons que : E (I T 1 ,T 2 (λ, α)) = 1
(2π) 2 T 1 T 2
(2π) 2 T 1 T 2 f Z (λ, α) + O(1)
= f Z (λ, α) + O 1
T 1 T 2
.
Nous montrons aussi que : E n
f b Z 1 (λ) o
= Z
R
W (u)f Z 1 (λ − b T 1 u)du + O 1
T 1
, E n
f b Z 2 (α) o
= Z
R
W (v)f Z 2 (α − b T 2 v)dv + O 1
T 2
, E n
C b X (0, 0) o
= 1
β 1 β 2 T 1 T 2
Z T 1 0
Z T 2 0
C X (0, 0)β 1 β 2 dsdt = C X (0, 0).
Le r´ esultat s’obtient en utilisant le th´ eor` eme de convergence domin´ ee.
Preuve du corollaire 4.1
En r´ e´ ecrivant E n
f b X (λ, α) o
, on obtient E n
f b X (λ, α) o
= 1
(2π) 2 Z
R 2
e −iλr e −iαl w(b T 1 r)w(b T 2 l)C X (r, l)drdl + O 1
T 1
+ O
1 T 2
. Le r´ esultat s’obtient en d´ eveloppant w(t) en s´ eries de Taylor avec reste int´ egral.
Preuve du th´ eor` eme 4.2
Cov n
f b X (λ 1 , α 1 ), f b X (λ 2 , α 2 ) o
= P 16 i=1 J i , o` u J 1 = 1
β 4 1 β 4 2 Cov n
f b Z (λ 1 , α 1 ), f b Z (λ 2 , α 2 ) o
= (2π) 2
T 1 T 2 b T 1 b T 2 β 4 1 β 4 2 f Z 2 (λ 1 , α 1 ) [δ λ 1 ,λ 2 δ α 1 ,α 2 + δ λ 1 ,−λ 2 δ α 1 ,−α 2 ] Z
R
W 2 (u)du 2
+ o
1 T 1 T 2 b T 1 b T 2
+ O
1 T 1 T 2
,
J 6 = 1
(2π) 2 β 4 1 β 2 2 Cov n
f b Z 1 (λ 1 ), f b Z 1 (λ 2 ) o
= 1
2πβ 1 4 β 2 3 T 1 T 2 b T 1
f Z 2 1 (λ 1 ) × (δ λ 1 ,λ 2 + δ λ 1 ,−λ 2 ) × Z
R
W 2 (u)du + o 1
T 1 T 2 b T 1
+ O
1 T 1 T 2
+ O
1 T 2
,
J 11 = 1
(2π) 2 β 2 1 β 2 4 Cov n
f b Z 2 (α 1 ), f b Z 2 (α 2 ) o
= 1
2πβ 1 3 β 2 4 T 1 T 2 b T 2
f Z 2
2 (α 1 ) × (δ α 1 ,α 2 + δ α 1 ,−α 2 ) × Z
R
W 2 (u)du + o 1
T 1 T 2 b T 2
+ O
1 T 1 T 2
+ O
1 T 1
J 16 = 1
(2π) 4 β 2 1 β 2 2 V ar
C b X (0, 0)
= O 1
T 1 T 2
et, grˆ ace ` a l’in´ egalit´ e de Cauchy-Schwarz et le fait que W T
j∈ L 1 , J 2 = O
1 T 1 T 2 √
b
T1 b
T2
, J 3 = O
1 T 1 T 2 √
b
T1 b
T2
, J 4 = O
1 T 1 T 2 √
b
T1 b
T2
, J 5 = O
1 T 1 T 2 √
b
T1 b
T2
, J 7 = O
1 T 1 T 2 √
b
T1 b
T2
, J 8 = O
1 T 1 T 2 √
b
T1
, J 9 = O
1 T 1 T 2 √
b
T1 b
T2
, J 10 = O
1 T 1 T 2 √
b
T1 b
T2
, J 12 = O
1 T 1 T 2
√ b
T2
, J 13 = O
1 T 1 T 2
√ b
T1 b
T2
, J 14 = O
1 T 1 T 2
√ b
T1
, J 15 = O
1 T 1 T 2
√ b
T2
.
Preuve du th´ eor` eme 4.3
Pour prouver ce th´ eor` eme, il suffit de remarquer que 1
2πβ 1 4 β 2 3 T 1 T 2 b T 1 f Z 2 1 (λ 1 ) × (δ λ 1 ,λ 2 + δ λ 1 ,−λ 2 ) × Z
R
W 2 (u)du = o
1 T 1 T 2 b T 1 b T 2
,
1 2πβ 3 1 β 2 4 T 1 T 2 b T 2
f Z 2 2 (α 1 ) × (δ α 1 ,α 2 + δ α 1 ,−α 2 ) × Z
R
W 2 (u)du = o
1 T 1 T 2 b T 1 b T 2
, et que pour tous r´ eels positifs c 1 , c 2 , on a c 1 T T 1 +c 2 T 2
1 T 2 = o
1 T 1 T 2 b
T1 b
T2
, car c 1 T 1 + c 2 T 2 = o
1 b
T1 b
T2
.
Preuve du th´ eor` eme 4.4
On v´ erifie que : Cov n
f b Z
j(λ), f b Z
j(α) o
= O
1 T 1 T 2 b
Tj, pour j = 1, 2. Donc pour montrer ce th´ eor` eme, il suffit de montrer que tous les cumulants crois´ es d’ordre k ≥ 3 de n p
T 1 T 2 b T 1 b T 2 f b Z (λ j , α j ) o
j=1,...,k
tendent vers z´ ero lorsque T 1 , T 2 → ∞.
En utilisant les ´ etapes de la preuve du th´ eor` eme 4.1 de Lii et Masry (1994) nous obtenons, pour k ≥ 3 (T 1 T 2 b T 1 b T 2 )
k2 Cum n
f b Z (λ 1 , α 1 ), ..., f b Z (λ k , α k ) o
= O
(T 1 T 2 ) 1−
k2 + O
b T 1 b T2 T 1 T 2
k2 −1
+ O 1
T 1 T 2
k2 −1
(b T 1 b T 2 )
k2 −2 ln T 1 ln T 2
!
+ ... + O (ln T 1 ln T 2 ) k−2 (T 1 T 2 b T 1 b T 2 )
k2 −1
! ,
qui tend vers z´ ero, car b T
j= O T j −γ
jet 1 2 < γ j < 1.
Bibliographie
[1] K.S. Lii, E. Masry (1994) Spectral estimation of continuous-time stationary processes from random sampling. Stochastic Processes and their Applications 52, pp. 39 − 64.
[2] E. Parzen (1967) Time Series Analysis Papers. Holden-Day, San Fransisco.
lambda alpha
v
lambda alpha
u
lambda alpha
y