ffitrFJA*IE
*L€ffiFrc
W
S"
FtFtlr"*nE
[@
defEwigffi
f;ry€riffi
€f& k
Emft#
eiati$rp*
T]HIIIE$STEffiJTIEt
.;L...f'4
Y
Exclus du
Pr6t.
Facultd
des
Sciemes
Exactes
etlnforratique
AApa*:**ll*6cx$
Fret'#*re*Wffi*:kur
WirIffiiryrox#
OSrdr*:ffiS*e*s*is*i4ue
hlr*kiry:
lr{ffcrthYrbffF&.
tr*:lhrf-Xft
trr*rr:k€k*tffi
q1^,8.
Sfa
.
oB
|
la
UJ)r
r1.c,1t,r-+rJtl.;-.l.tti|5
|e-.+<-..._Jt
...€O..tt).t...
:,6r
f,
ffi#t&Tas#tl#
Cniar#Ftr:
3qreGm**$ffi
*Mctsnd
krma*b*mff,ffit$
Remerciem,ent
g,fous
remercioru
tout ilahordA-C.2AT{
quirwus
a
fonnd
fe
courage et
fa
vofontd
yowr mener d
terrne
ce
rrulmoira
Nous remercisrw
yiyement
fulonsieur
gfter[a
JvlahroQ"
maitre {e
canfwennes
'dfanhrersitri
delqe{-ndyarte-mnnt {e
mat{utrnnti4ue,
?olff
sesnombratx
corueifs,
sa
grande
{ayoni6iftt6,
son
ai.deyrdcimse
et
smt
sswtien
cotutante-.
Sesmn*{tig{es eomydtences
et
sa
riguetw ont
Seaucoay
contrihtd
d
f
ahoutksem.ent
fe
ce
travai[
qu'if
trotne ici
toute
notre
yrofuntre
gratitude.
gttsus tenovts
d exyrimer
notre
yrofondresyect
et
notre
recmlnaissance
d
to*t {8
marnfue
{ei
jitry
Svlaffime
yaftaihi
fafimd
et
'1vlaffime
A6ffi
Zaynab ,
Wi
ont hienvoufu dvafuer
ce
mdmoire.
Suas ouhft.er
fe
remerci.er
tous
ceux
qui
rwus
ont
encouragd
deyrds
ou
6e
fois
durant
fa rdafrsati.on
de
travai[,
Stous
rwus incftnn4s resyechteusement
[evant
fes
dtres
d
qui
nous devons
notre exktente,
nosgires
et
nos
mire*
Noas
[eur exlrimorts
rws
yrofonds
sigrus
de
reconnaissanre et
d'o66issance
your
tous
fes
efforts
qu'i[s
ont
fournk
et
tmts
fessacrifires
qu'i(s ont gLruireusement
faits,
your
rwrus.
C'est
d eux
(W
rwus
&frons
teftuit
6e
notre entiire
formation airui
qu'd
fws
sgwrs,
!{ow
rem.erci.otu anssi
jusqu'a$our{ftuL
Enfwnous
n'oufi(totu-pas
de
remBrcier
cfr.a.cune,de
rws
a[orahfes
arni.e,s.-fuec
effes,
nous
avms
yartagd
des
mom.snts a6rda5[es
et
inouhfrnhfes.
Table
des matidres
Introduction
Notions
de
base1.1
Dur6e de vie 1.21.1.1
La dur6e de vieL.L.2
Cract6ristiques de la dur6e de vie1.1.3
Relation entre ces diff6rentes fonctionsLes moddles paramEtriques de
taux
de hasardL.z.I
Taux de hasard constantL,2.2
Taux de hasa.rd monotoneL.2.3
Tb,ux de hasard non monotone1 1 A = 11 rU 1b L7 1.3 12 L2 13
t4
15 Echantillonage, Estimation1.3.1
Grandeurs observ6es sur les dchantillonsL.3.2
Convergence1.3.4
Qualit6d'un
estimationEstimation de
taux
de hasard
2.L
Estimation non param6trique2.L.1
Estimation non param6trique de Ia fonction derdpartition
2.L.2
Estimation non param6trique d'une densit6 de probabilit62.L.3
Estimation non param6trique de la foncbion de survie2.2
Estimation param6trique2.2.L
Estimation ponctuelle2.2.2
Moddles param6triques2.2.3
laloi
exponentielle (la fonction de hasar.d constante)2.2.4
Laloi
de weibuli2.2.5
Loi
Gamma3
Application
3.1
Les donn6es censur6es3.1.1
Estimation de Kaplan-Meier de la survie3.L.2
Estimation non param6trique detaux
de hasard dans le cas censuree3.2
Validation empirique des estimateurs3.3
Application
aux donn6es de chOmageConclusion
Bibliographie
18 20 202l
22 29 30 30 32 32 36 38 42 42 44 +D 48 52 ooIntroduction
L'aspect th6orique de
la
fiabilitd d
connu une 6volution rapide d,partir
des ann6es1960 dont la th6orie des probabilit6s constitue un cadre mathematique. pour la recherche
dans ce domaine, les probabilitds font I'6tude syst6matique des probabilit6s d'apparition
des scenarios catastrophiques possibles comme
la
panned'un
systdme ou le d6cds d,unsujet' Parle de la
fiabilit6
d un sens bien pr6cis, pour un probabiliste. Non seulemenr on peut la ddfinir, mais on peut la calculer, Ia mesurer et Ia tester. lafiabilit6
g6n6ralementmesuree pa,r Ia probabilit6 qu'il n'y ait pas de panne sur l'intervaile de temps [ts, t] sous des
conditions de fonctionnement donn6es, sachant que le systdme est en bon fonctionnemem
d
I'instant
ts, not6 .A(t).La
fiabilit6
consiste d analyserla
dur6e de vie cl'une variable al6atoire continueposi-tive, representant la dur6e pass6e dans certains 6tats, d savoir la fonction de r6partition, la densit6 de probabilit6, le
taux
hasard et letaux
de hasard cumul6.L'analyse des durCes de
vie
est utilis6e dans de nombreux de domaines, comme lam6decine, l'6conomie, ou encor la psychologie...
Depuis plus de 50 ans,
la
statistique math6matiquea
6t6 utilis6epour
r6soudre leprobldme d'estimation de
taux
de hasard qu'est fr6quemment rencontrer dans plusieursdomaines,
par
exemple dans le domaine m6dicale, Ia rechuted'un individu,
dans ledo-maine 6conomique,
le
chomageet
perted'un
emploi,la
fin
dela
gr6ve,la
panne decomposant dans les systdmes 6lectroniques ...
Cette id6e est encore en usage, elle a une longue histoire, datant de
travail
deLead-better
et watson
(1964);
bas6stu le
noyaud"
,8, dela
densit6,puis
l,estimateur deNelson-Aalen (1972), I'estimateur de Peterson (L977) I'estimateur de Foldes et
al
(1gg1)qui se bas6 sur I'estimateur d, noyau de
/
et&
(t) a.
Kaplan-Meire (19b8), l,estimateurde Blum
et
Susarla (1980) et Ramlau-Hansen (1ggg).L'objectif de ce m6moire est de pr6senter quelque m6thodes d'estimations non-param6trique
et
paramdtrique detaux
de hasardqui peut
Otre consid6r6 comme paramdtre cl6 dansl'a.nalyse des dur6e de vie.
Par ce pr6sent m6moire, nous souhaitons pr6senter I'estimation de
taux
de hasard.II
est organis6 en
trois
chapitres et une conclusion; d, savoir :- Le premier chapitre est
intitul6
rrNotions de base'r ce chapitre contient trois section repr6sentant l'essentieiles pour la suite de ce m6moire.- Le deuxidme chapitre est
intitul6
I'Estimation de taux de hasardrrtraite
deux section la premidre I'estimationpour la densitd et des estimations empirique pour la fonction de
repartition
et la survieet oir conclut par la substitution un estimateur de
taux
de hasard,la
deuxidme bas6 surI'estimation ponctuelle.
-
Le troisidme chapitre estintitui6
"Applicationrr cette application est une 6tude cletaux de hasard des dur6es de chdmage qui a 6t6 pr6sent6 dans Ie cas des donnees censurees
Chapitre
1
Notions
de
base
Dans ce chapitre nous allons pr6senter des notions essentielles des dur6es de vie, la
fonction de
r6partition,
la densitd de probabilitd, la fonction d.e survie, leta,x
de hasard et le taux de hasard cumul6, on donne une mod6lisation param6trique pour certaines loisusuelles, et les principales propri6t6s de l,estimation.
1.L
Dur6e
de
D6finition
L.t
(Sgstdme)
Un systdme est une conbi,nai,son d,'d,l,ments interconnect€sou en'interacti,on
forment
un ensemble complet desti,n€ d, rernpli,rune
olr plusieuresfonc-ti,ons pr€cises.
On peut aussi, disti,nguer deur types d,es systdmes :
-
systime
non r1parable:
1ldment remplac€. aprEs €tre tombE en pa,nne.Et
-
sysetd.me r4parable:
6l€,ment peuuent €tre r€,par|, apr\s €tre tomb€, en panne. Er,:
centrale nucl6ai,re, rada,r, uo'iture,...D6finition L.2 (La
d,6faillance) La
d€,faitlance est la fi,n d,e l'apti,tud,e d,,un d,i,sposi,ti,fou d'un systdme d accompli,r la foncti,on que
l'on
attendai,t de ce mat€,riel, c,est-d,-d,'ire, Iad4fai,llance est le d,6.faut d,e fonci,onnernent. On d,i,sti,ngue :
Des d'd.fai'llances graues ou totales entrai,nant ta
f,n
de Ia foncti,on.Des d€fai,llance parti,elles r€duisants les performances ma,is non la foncti,on.
D6finition L.3 (La
maintenabilfte)
La
mai,ntenabiti,t€, d,'un systime r€parable est Iaprobabi'lit€
pour
que Ie syst€me soi,t r€,parE auant l',instarftt
sachantqu'i,l
est
d,€,fai,Itant d, I'i,nstant0
on
dlf,ni,t
par
:
M
Q)
:
p
(sysftme r€par(,sur
l},tl)
est une foncti,on croi,ssante d,e 0 d, 1 lorsquet
uari
d,e 0 d, I'i,nfi,ni,.Ddfinition L.a
(La d'isponibilile)
On appelle la disponibiliteA(t)
Ia probabi,li,t6. que Iesystdme est en dtat d,e bon .foncti,onnernent d, I'i,nstant
t.
1.L.1
La
dur6e de vie
L'intervalle de temps entre Ia mise en marche
(t
:
0) etla
L6," d6faillance ou bien letemps entre deux ddfaillance cons6cutives aprds remise d. neuf est une va,riable
?
continueet
positive'Le
tempsf
associ6 d, chaque dispositif,d6finit
une variable al6atoire?
quidoit
6tre trait6e selon les m6thodes usuellesdu
calcul des probabilit6s.?
represente laTemps moyenne
L'esp6rance de Ia dur6e de vie joue
un
grand r0le enfiabilit6l
c'est le temps moyen de panne ou(M.T.T.F
:
MeanTime
To
Failure)'
Nous le notonsm
:IU|TTF:fi(l):m.
C'est une mesure importante de la qualit6 d'un systdme. Pour
la
calculer,iI
est pr6-f6rabled'utiliser
Ia formule d'intdgration suivante :T
Eff\ :
I
S(t\
dt;
si,limts (t)
:
O. { r+oo En effet :77
EQ)
:
I
ud'F(")
:
I ud(L
-S("))
J,
ttSi on intdgre par partie en trouve le rOsultat '
L,esperance de survie d,la date
t
est appel6e dur6e moyen de vie r6siduelle, ou tempsmoyenne rdsiduel de panne
(M.R.T.F
: Meane Risiduai Time To Failure)''tT
m(t)
:
Eg
-tlr
>
D:
s
Q)
J
s
(u)du.
t
M.T,T.R
(MeanTime To
Restoration) : Ia dur6e moyenne avant remise en service, 6galeia
dur6e moyenne avant Ia reparation et 6gale Ia dur6e moyenne de s6jour en 6tat de panne :t
M.T.B.F
(Mean Time
BeteweenFailure)
: dur6e moyenne entre deux pannes.Figurel.1: La relation entre les temps moyenne
L.L.z
Cract6ristiques de
la
dur6e
de
Soit
7
une variable al6atoire continue positive, repr6sentantIa
dur6e pass6e danscertain
6tat
(par exemple : chdmage, vie en couple,...).La
distribution
de7
est entidrement caract6ris6epar l'une
des cinq fonctions sui-vantes:
fonction der6partition,
densitO de probabilit6, fonction de survie, fonction dehasard et la fonction de hasard cumuld (ou int6gr6).
Fonction de
rdpartition
On considdre une variable aldatoire
?
dans [0,+oo[,
et
on
note dansia
suiteF
safonction de
r6partition
(continue d,droite) qui
repr6sentepour
t
fix6
la
probabilit6 detomb6 en panne avant
l'instant
t
c'est-4,-direF(r):pg<r),f>0.
proprietes
1-F'(t)
€[0,1],f)0,
2-
F
est monotone non decroissant c'est d'dire:hltz+
F
(tt) >
F(t')
'3-
F
(0):
0,,I*F
(t)
:
t'
Exemple
L,t
si
T
d,€si,gnela
d,ur€e d,u ch,mageen
mo'is,la
foncti'on de r'€parti'tionF
(t)
reprLsente Ia probabi,Ii,t€, d,e rester au plust
moi'sau
ch6mage d'parti'r
d'eIa
dated'i,nscri,pti'on.
La
densitGde Probabilit6
C'est une fonction
/
(t) >
0 telle quepow tout
t
)
0t
F(t)
:
It@t0".
"o
si
la fonction der6partition
d, une d6riv6e oupoint
f
alors :n(t<T<t+At)
f
ft\:
IimJ.,,\''
-- -- -':I'(t)'
/
\-/ A7'o
At
pour
t
fix6, Ia
densit6 de probabilit6 caract6riseIa probabilit6
de tomb6 en panne dans unpetit
intervalle de temps apr6sl'instant
f'
f
(t)
Ltpeut
etre vu quandAt
estpetit
comme la probabilit6 pour un composant de tombd en Panne au temPs t.Exemple
L.2
SiT
est la d,ur€e d,u ch,mage, Iaquantit|
/
(0
At
repr€'sente la probabili't€'La fonction
de
survie
La fonction de survie est par d6finition le compldment A, un de Ia fonction de
r6parti-tion,
pourt
frx6,la
probabilit6 de survivre jusqu'd,I'instant
f
c'est-d,-direS(t):L-F(t):p(T>t).
propridt6s
1-S(r)
€[0,1],f)0,
2- ,S une fonction continue monotone et d6croissante c'est-4,-dire
t1 <-t2
=a
$(tr)
>
S(tr),
3- S (0)
:
1 (si P(T
:0) :
0, ce que nous supposerons) et lim,S(t)
:
O.Notons que si la Ioi de
7
admet une densit6/
parrapport
d.la mesure de Lebesguef(t\:hmr/('<?st+ai)
Al*0
Af
et ou encole : t ,F(t): lf
(u)du, J 0Ti
Vte
Rf
:S(t):
lf
@)du-1-
lf
(")du:t-F(t)
JJ
r0
===1
g'
(t)
: -F'
(t)
: _/
(t)
.Exemple
1.3
^9?T
estla
dur€,e d,u cltintage, la foncti,on de suruie S(t)
reprLsente ladur€,e se d,6fini,t conln-Le une p€riode de ch}mage de
plus
d'ttn an,
doncsi la
durde duclt1m,age est mesurde en m,ois,
^9 (12) est Ia probabili,td du chimage d,e longue dur6e.
Moyenne
et variance
de
la dur6e
de
survie
Le temps moyen de survie E(7)
ainsi que sa varianceVar
(T)
sont des quantit6s importantes :@@@oo
rfrf
E(T):
ltar
(r)
: -
ltasltl:
I
sQ)dt,var(")
:
z
ltsQ)dt-
EQ)'.
,IJJJ
0000
Le
taux
de hasard
(taux
de panne instantan6)
Le
taux
de hasard (ouIa
fonction de hasard d,un instant t)
;
not6
h(t)
mesure la probabilit6 conditionnelle d'une panne 6tant donn6 sachant que Ie syst6me est en 6tat demarche jusqu'd, cette date (actuellement) et est d6finit comme
6tant
:,,,\,.
p(t<T
<t+Lt/r>t)
n\t):jtI]OT
Ori le graphique de
taux
de hasard est une "courbe en baignoiret', or) I'on distingue 3o6riodes :
L*
L
=
este
*,a
Figure1.2 : Courbe de taux de hasard.
<d6fauts de jeunesse>>
ont
des d6faillances prdcoces, Ies systdmesqui
<<survivent> sontintrinsdquement robustes. Cela peut aussi d6crire une situation de rodage.
{::i:::::irTtfiffiIffiffil t.-- ft t;#**tui! I L&' 233 i .843 {_s
Taig..b{S{dte€s* fr@d|sj*
hasard ddcroissant.
2)
Thux de hasard constant (p6riode de
vie
utile)
:
Lorsque Ietaux
de hasardh
est constant, cela signifie quele
risque de panne est totalement aleatoire;on a
un systdmedit
<<sans effet de m6moire>>, sans usure,il
n'y
a
pas de cumul de dommage.C'est typiquement la situation des systdmes 6lectroniques.
Dans ce cas,
la
probabilit6
dela
densitd/
suit
uneloi
exponentielle.Le
taux
dehasard est alors I'inverse
du
temps moyen de fonctionnement avant panneM,T.T.F,
1
X:
,r7p.(caract6ristique
de laloi
exponentielle).Figurel.3: Courbe tion de rdpartition F, pour un taux
IS fonc 1
i 'l
I *-1
ls
**f
IS d'-d Jt-t
i
-.:1
l*
j
*T,J q ' *.16 { - *.a4. *l -.-. *.1.." -{j
*.d
j s".re -{ I *"xJI
s.tr
-d de survie;i ; i rt-l
ii
*'*l
iig*'*l
lq
*''
j
il
*-="'| ;1 I :1 6l !l:1
ri'l
Iii"
1 ii
*.,.-Eii
"J
de survie ry;41|#*;* <,i*{s*4* 'iS, de fonction de rdpartition F, pour un taux hasard constant
3)
Thux de hasard croissant (p6riode de
vieilles)
:
Lorsque le risque de panne augmente avec Ie temps, cela indique un ph6nomdne d'usure.C'est typiquement Ie cas des systdmes m6canique.
propridtGs
L-
h
: lRa-*
IR+tm
fr
?-
|
Ir,(u) du<
oo,V,)
0mais
I
lt,(u)du:
@.JJ
Figure1.4: Courbe hasard croiesant. .a S, de fonction de rdpartition F, Figurel.5: Courbeib'll
il'. "={
ii-::]
ii
"-1
:i
= de eurvie I un iLs pour3-
ll
n'est pas n6cessairement monotone.fft\
^9'(r) d,
d,,\
4-
h(t)
: *:
r
(u/
-:---):1
:
----
lnS
(t),SG)-
:
-dt
rnr
(tJn(t<T<t+Lt/T>t)
,.
1car :
h(t)
:
iig.ff
:
jl':flr
p((t<T<t+Ar)
pg>t)
n(">t))
n 1" ''' n/'\et
*m^9(t)
dt \/ s(f)
: +9
:
-ry:
-h(t).
s(r)
Le
taux
de hasard instantan6 mesurela
dynamique (instantan6e) dela
vitesse despannes.
La fonction de hasard admet
trois
formulations 6quivalantes not6es h(t)
telles que :s'(r)
:
____d.
ln,Sdr
(t)
. D(t,)
a,t;,.
1p(t<r
<f
+ar)
:
jllSr^r
eg>0
1 ,,
p(t<T<r+Ar)
f(t)
---t=--- lllrl -p(T >
,)&*o
At
,S (t) ' q'/-\
-;-ct'r:
D(nl
f(t)
_
s
(r)h(t):
(1.1)h(t)
Lt
peut Otrevu
quandAl
estpetit
commela probabilit6
rrapproch6err pour un composant de tomber en panne au tempst,
conditionnellement aufait
que ce composant6tait fonctionnant avant t.
Exemple L.4 Si
T
est la dur€,e d,u ch1mage mesur1e en mois, la quanti,t6,h(t)
Lt
repr6.-sente Ia probabi,Ii,t€. de sorti,r du chbrnage entre les durEes
t
et t* Lt
, pour les trauai,lleursqui. sont au chimage depui,s
t
mois.Remarque
L.t
L'i,nt€grati,on des deun nombres de I'd,quati,on suiuante donne :ttr
f
f f(,r\
f
lhb\dr: l#dr:
l-J
JSII)
J000
10 s(r)_ fds
J,S
s(0)v^
I
o'i
-lnS(t;
:
lh(r)dn
J
0
(utilisati,on de
la
conditi,on li,mi,te, ^9 (0):
I)
par
consdquent :Le
taux
de hasard
cumul6
t,
Le taux de hasard cumuld
H
(t)
:
I
h(")
dr
est int6rpr6t6 comme Ie risque cumulatif.(
Avec l'6galit6 suivante entre fonction survie et fonction de hasard cumul6 :
H
(t)
:
-
ln [S (t)] en effets(r):.*
(-/r(")*)
h(t):ffi:
-fins6
+
s
(')
-
exp(
i^@)
d.)-
expr-H
(r)l1.1.3
Relation entre
ces
diff6rentes
tf
r-
H
(t)
:
J
h(u)
du:
-
ln,9(t)
, 0/i
\
2-s
(r)
-
exp(
-
[
^fu)
d,u)
:
.*o
[-rl
(t)] ,\t,
/
/ I
\
v
f
(t)
:
h(t)s
(t)
:
h(t)
exp[
-
[
r@)
dul
\r,
/
+
F
(t)-
|
-
s(t)
:
1-
exp(-
i,,(,)d,)
\i
I
fonctions
:
h(t)
exp[-H
(t)] ,-
1-
exp[-I1(t)]
.En conclusion, les cinq fonctions pr6cidentes permettent de caract6riser la loi de
Z
etIes unes sont ddductibles des autres. cepondant, c'est
l'interpr6tation
dela
fonction dehasard qui permettra souvent de guider le choix d'un mod6le pour les donn6es de dur6es
de vie.
t.2
Les mod€les
parametriques
de
taux
de
hasard
Soit
?
une variabie aleatoire continue positive.L.z.L
Taux
de hasard constant
Loi
exponentielle
On
dit
que?
suit
uneloi
d'exponentielle de paramdtreso >
0si
:-
Sa fonction de densit6 est ddfinie par :f
(t)
:aexp(-af),
V,>
o,a >
o.-
Sa fonction de survie est d6finiepar
:s(t)
:
exp(-at),
vf
)
o,a >
o,-
Sa fonction de hasard est d6finie par :h(t):a,Yt>0,o)0.
-
Sa fonction de hasard cumul6e est d6finie par :H (t) --
at,Yt
>
0,a >
0. 72L.2,2
Taux
de hasard monotone
La
loi
de weibull
On
dit
que?suit
uneloi
de weibull de paramdtresa >
0ei
0)
0si
:-
sa fonction de densit6 est d6finie par :f
(t)
:
aoto-L exp(-ato)
,v,
>
o.- sa fonction de survie est ddfinie par :
S
(t)
:
exp(-ato)
, Vf>
0.- sa fonction de hasard est d6finie par :
h(t)
:
a7te-r,
Vt>
0'-
sa fonction de hasard cumul6e est d6finie par :H
(t)
:
ate,Yt >
0'Pour d
:
1, on retrouve ladistribution
exponentielle ( exp(a)
:
W(a,t))
La
loi
Gamma
On
dit
que?
suit
uneloi
de Gamma de paramdtreso >
0 et d>
0G(a,0)
si :-
sa fonction de densit6 est d6finie par :04.
f(t)
: -''
-14-texp(-0t),
t
)
0 et 0,a >
0.I
(CIJ-
sa fonction de r6pertition est d6finie par :",
ti
F(t)
: f6
Juo-1exp
(-u)
du.0
-
sa fonction de hasard est d6finie par :h(t):#gG'
L.2,3
Taux
de hasard non monotone
La
loi
de
log-normale
C'est une
loi
d'une variable al6atoire dont le logarithmesuit
une toi .nf(m
1."\
.-"^'
\*
P'"
)'
On
dit
que?
suit
uneloi
log-normale de param6tres p,>
0 eto >
0si
:-
Sa fonction de densit6 est d6finiepar
:f
(t)
:
1.,
(tost
-
tt)
,v,
t
o.ot' \ o /
-
Sa fonction de survie est d6finie par :s(t;
:1-
v
(toet
-
p)
,vr >
o.\o/
-Sa fonction de hasard est dOfinie par :
1
eti.=l
h(t):l
orL_V
Lo,o,
l-,Vt>0.
llogt-pl
lol
Or)
p
et
![r sont respectivement la fonction de densit6 et Ia fonction de rdpartition deIa loi normale
I/
(0,1) .-
limh (t)
:
0, etlimh (t)
:
O.- La fonction de hasard est non monotone et unimodale (croissante puis d6croissante).
n,
L.3
Echantillonage,
Estimation
D6finition L.5
(n-Echantillon)
Soi,tT
une uariable al€,atoi,re r4elle d,Efin'i,e surun
es-pace probabili,s€ (Q, A,
P)
.On appelle n-6.ch,antillon de la uari,able
T
tout n-uplet (Tt,...,T,)
des aari,ables al1atoi,resi,ndependantes dl.fini,es sur le rn€me espace probabi,lis€ (0, A,
P)
et de m€me loi, queT.
1.3.1
Grandeurs
observ6es
sur
les
6chantillons
L'esp6rance
E
Q)
d'une variable al6atoire continue7,
d6finie sur I'espace probablis6(f,), .4,
P)
est donn6e par la formule :E
Q)
:
Iatf
(t) dt.L'esp6rance est 6galement appelde moyenne et not6e dans ce cas p.
Sa variance o2, est l'esp6rance des carr6s des dcarts avec Ia moyenne :
uar(T)-o7:Ele-d'l
:
InQ
-
ti'
f
(fl
at:
[nt'f
(t) d,t-
1t2.Son dcart-type o1 est Ia racine de la variance.
L.3,2
Convergence
Convergence
en
probabilit6
:On consid6re une suite
("")
de variables al6atoires dOfinies sur f,),?
une autre variable al6atoire d6finie sur0.
On
dit
que la suite(fl,)
converge en probabilit6 vers une constante r6elleI
si :Ve
>
0; p('.7,,-,1
>
e):
0' converge en probabilit6 versT
si
:Ve>0;
p(lT"-"1
>t):0.
On
dit
que la suite(fi,)
Convergence
en moynne quadratique
:Une
suit
de variables al6atoires r6elles(7")".x
converge en moyenne quadratique versune variable al6atoire r6elle
?
si :,lim
E
((?,,-
")')
:
O'Convergence
en
loi
:On
dit
que Ia suite (71") converge en loi versT
lorsqueJ*Fr"
(r)
:
r'
(t)pour
tout
t
€
iRtei
que Fa continue en t.convergence presque
sfirement
on
dit
queIa suite
(!,)
converge presque sfirement vers?
lorsqueP(E)
:
1
6;
,: {,
e
o
:}g4
(.)
: rtr)}
ot
encore lorsque/\
Ve>0;
limp(supl7l"(r)
-T(r)l
>u):o'
n+oo \ tl ,/
6*'''
'**\
't/
,.i,,t$tf.
:|["lP'
\r\
"*
)]
..'.,e/\tg)u-,r;>,/
lflL.3.3
Estimations
L'estimation consiste d, donner des valeurs approximatives aux paramdtres d'une
po-pulation d,
l'aide d'un
echantillon den
observations issus de cettepopulation'
On peut se tromper sur la valeur exacte, mais on donne Ia meilleure valeur possible que I'on peutsupposer.
Moyenne
et
varaince emPririques
:D6finition 1.6
On appelle stati,stique sur un n-€.chanti,Ilons une foncti'on de (71,"''Tn)
'D6finition L.7
On
appelle rnoaenne d,e l'€chantillon ou rnoaenne empi'ri'que, Ia statis-ti,quenot1eT
deSni,e Par :r:lin
m7-Proposition 1-.1
soi,tT
une uari,able al1atoi,re d,e moyenne p' et d"6cart-tgpe o'
on
a :EF)
Preuve.
/1 n. \
1 n
1
n.E(lin)::tE(n)::tp:t)
-
\n
E''=;')
n7=t
n
7t'
Et.
en raison de I'ind6pendance des4.
I
D6finition
t.8
On appelle uariance empirique, la statistique not6es (T)
defi'nie par :^s'(r)
:lf
't I i-lQt-T)'z
Propositio
n
L.2
soi,tT
une aari,able al^,atoi're d,'6cart-ty7teo
et d'e momentcentr'
d'or-der
l,
not€, 1"t'a' Ona
:E
(sr)
:?-!ozt
v (s')
:#((,
-
r)tr+-
(n-
g)on)L
De
plus, lorsquen
tend, uers I'i,nfi'ni'e;V (52)- +
L.3.4
Qualit6
d'un
estimation
D6finition
1.,9on
appelle biai,s d,e I'esti,mateurT pour0
la ualeur :beQ):E(T)-o
un
esti,mateurT
est d'i't sans bi,ai's si E(T)
:
6 'D6finition
!.Lo
un
estimateurT
est d,i,t conuergent si,E
Q)
tend uers 0 lorsque rt' tend'uers I'i,nfi,ni,.
II
sera d,i,tunsi,stant
si'T
conuerge en probabi'Iit€ uers0
lorsquen
tend aersl'i,nfini'.
Definition
L,IL
La quali,tE d"un esti'mateur se n'Lesure^galement
par l'erreur quadratique
rnoaenne (ou ri,sque quad,ratique) d,€finie
par
:E
((T
-
0)')
'D6finition
L.LZ (EfficacntL)
Parmi,Ies esti,mateur sans bi,ai,s,l'estimateur4
d'ol't Ct'" ,,fficace,t, Ies estimateursfficaces
sont ceur qu'ont Ia moi,nd,re di,spersi,on possible; c'est' d,-d,i,re Ia plus fai,ble uariance, On d'i'tqueT
estfficace
si,4.
1uar(0):
---A
r
\0)
auec
I(a)
*J
rinformation
d,efisher,
t
(a)
:
Eet#L)
L
:
Ia foncti,on de uraisemblance,tn.L
;log
d,eL
etL:frf
ftr.;0).Chapitre
2
Estimation
de
taux
de hasard
Dans ce chapitre nous allons presenter deux
type
d'estimationdu taux
de hasard a savoir I'estimation param6triquequi
consiste sur I'estimation ponctueile des paramdtreet non param6trique qui se baser sur I'estimation d noyau de la densit6 de probabilit6 et
l'estimation empirique de Ia fonction de repartition et de survie'
2.L
Estimation
non
Parametrique
Dans ce
type
d,estimation on supposeun
moddle (f,},A,P)
ori
P
Ia famille des loisdes probabilit@ possible ne peuvent pas se mettre sous Ia forme
P
:
{Pe;
0e
o c
R'}
' Dans ce cas on estime des fonctions; comme Ia fonction derdpartition, la
densit6 et ia fonction de survie,..z,L,L
Estimation
non param6trique
de
la fonction
de
rGpartition
Soit?r,72,.,.,I,,d'esvariablesal6atoirei'i'd.(un6chantillon)defonctiondedistribu-tion
F
et4O 1TQ)
Un bon estimateur de
F
est Ia fonction de r6partition empirique;not6e
'F'
et d6finie par : nombre d'observations3
t
4,(t):-€
:
*irs*tt:
ii/{qu1sr}
'i=L i=lPropri6t6s
Vt
€ R,nF*1t1est
d'eloi
binomiale B(n'f
(i))'
biais
L'estimateur empirique de Ia fonction de
r6partition
est sans biaisen effet
-'
F,,(r))
:
t-f,r(r,,,.,,)
:
p(T
< t)
:F
(t)'
"
(r,,lL)
)
; Li4-
\-Variance
,o, (F*('))
:
#F^uar
(Is'<t\1
:
Luar
(/1r'<tt)
:M#9=0
Erreur
quadratique
L'etreur quadratique est donndepar
:*(F,,(t),r
(,))
:
E
((F,,
(t)
-
F
(t))')
:
biai'sz(a
itl)
*
uarzance(4'
ttl)
ce qui donne
u
((F-(t)
-
r'
(t))')
:
(biai,s)2t
ua,iance:'t)a'r
(a
t'i)
,-
0\\
'/ /
d'ori la convergence en moyenne quadratique'
2,t.2
Estimation
non param6trique dtune densit6
de
probabilite
Il
existe plusieurs m6thocles d'estimationnon
param6triqued'une
densit6,Ia
plusutilis6, est celle de noYau.
Estimation
classique
:Rappellons que
la
densit6 de probabilitC/
est 6gale d,Ia
d6riv6e dela
fonction de r6partitionF
(si cette d6riv6e existe)'On peut donc 6crire :
F(*t-h\-F(t-h)
f (i)
: lim'
t"
'
'"'
l \"/ ;;0
2h,.
p(t-h<T<t+h)
:ttLLL-h+0
2hUn estimateur de
/
(t)
est alors?,,.
L t
-
hS
nombre des observations(
t
*
hI
\f,):
2h 1frr. \-.
:,t-)
'IP-n<r3t+n1 210t0 . I1
=1--
__:_
\
/,
:
2hn
o'u'o i--L
+'l
-
t
-Tt'
-.1'
i-t. t,
=ti
22Notons que cet estimateur peut encore s'6crire comme
f
e):*fri,,#);,@):
L12sige[-1,1]
0 sinon
Propri6t6
on
remarque quef
ft):
F*(t+n)--F*Q-
n)
*,r"".F,
la
fonction de r6partition empirique.Le
paramdtre de lissage (Ia fen6tre)h
d6pend deIa
taille
d'6chantillonn;
c'est-4,-dire : h:
h,,)
0.Nous savons que
:
nF*qt1:
i
lg1<tl
-
B
(n,F,('))
i:L et2nh*f
(t) --
nF*(t
+
h*)
-
nFn(t
-
h")
-
B(n,tr'
(t+
h,;
-
F (t
-
h"))
/
,r-.\
l^
A,.
, 'l
+
E l2nh,,f
(t))
:
n
1,,,(t
+
h,,)-
!,, \t
-
7"))
/^..\
I f^,
-.
.-l+
E
(i
ttl)
: ;;
lr"
(t+
h*)
-
F"(t
-
h"))'
Estimation d
noYau
:Nous appelons noyau toute
fonct"iS
(t)
: R, --+ IR, positive, paire, born6e,satisfais-sant au conditions :
,l1gtK
(t)
:
o*
l*u(t)
dt
<
+oo'(
Ra,ppenons I'esrimateur classique' "f
(t)
: :iI- ff)u'""
''
1u;{
Ll2
sis e
[-r'
r],"t=t \ .- ,
[
OsinonLa
densit6 de probabilitd uniforme surI'intervalle
[-1,1].
Cet estimateurpeut
6tre g6n6ratis6 en rempla4ant Ia fonction de poids r.r.r (la densit6 de probanilit6 uniforme) parCe ci r6sulte en l'estimateur :
rr,r-
t5-
1*
(*\
I\t)
:ifr,
\
n
/
on
a pourtout
foncti onk,
I
k(D
dF,(t)
:
:
i
*
tnl
n=1
D'or) (2.1)1 f
t-tt.
fftl: iJrf;)ae"(")
(2.2)I f .t-u..+
:
-E
J
k(:
h
)ds"(u)
'on
II
la fonction de poids (trweight function")k\
I
tu noyau("the
kernel function")(
I
le param6tre de lissage (r'smoothing parameterrr)h\
L
Ia fen6tre("the
window widthr')Souvent on prendre pour
k
une dersitd de probabilit6 sym6trique.Remarque 2.L
Les noAau,fr les plus uti'li'sd,s sont :-
Ie noyau uni,fonne (rectangulaire) k(t):
l/t-r,rt
(t)
:
i,t corespond, d' la d,ensit€ d,e la loi,unitorme U6-r,r11.
-
re nogau gau,ss,i,en k(t)
:
fi"*r1-l.lj,
,
r
correspond, d, ta d,ensi,t6 d,ela
toi, normalestandard
N
(0,1).-
le noyau epanechni,kouK
(t):
-
Ie noyau triangulai,re k(t)
:
(1-
ltl) /t-r,rt
(t) .-
le noyau quarti,que (Biwei,sht) k(t)
:
if
,t
-
t2)/1-r,r1(t).-
le noyau circulai,re (Cosi,ne) k(t)
:
I*"
(Tt)
1t-r,r1(t).E p9* a3 a s g3 ga E s6f,ne6tolk6v
A
Propri6t6
SiK
est positive etjl
k (u)d,u:
1, alorsF(t)
f'
estimateur de noyau estune densitO
*f-
r '
*Fr
/t-T\
Preuve.
I
fAld,t
: !)-
/
!P("-.
l
atJ""
n=Jtr, \ tt /
-oor-:-1n*r1
:
*F-!ktu)hd'u:;Elk@)d'u:
!n:1
r
Etude
de
biais
et
de la
variance
Figure2.1: Courbes des noyaux.
Lorsque on
d6finit
un estimateur A, noyau, on a non-seulement le choix de Ia fen€treh
>
0
mais aussi celuidu
noyauK.
II y
a un
certain nombre de conditionsqui
sont consid6r6es comme usuellespour
les noyauxet
qui
permettent d'analyser Ie risque deHypoth6se :
On suppose queK
v6rifie Ies 4 conditions suivantes :1-
ft
/(
(u)d,u:
L,2-
k
est une fonction paire ou, plus g6n6ralement, ./nuK
(u) du:
0,3-
/or'lN
(")ldu
1oo,
+
IoK
(u)2 d,u<
oo.Proposition 2.L
Si, les trois prerni,dres conditions de I'hypothdse sont remplies etf
estune d,ensi,tE born€e d,ont
la
d,4riuEe seconde est born€e, alorslunn,
(f
ttt)l
< c,n,,
ott,
c1:
*?,1R
li" (r)l/-
u2lK
(u)ld,u.Si,, de plus,
la
condi,ti,onI
de I'hypothd,se est satisfai,t, alors,*
(f
ttt)
auec
C2:
suP.f(r)
"l"o
K
(u)2 du. zek
Preuve.
Commengons par calculer le biais :rfrttr]
:hP_rlo(?)]
:1rn.(+\r@)d,u
nh1=, \ "
/
1r --lu-r\
"..-:
lrJo
o
\i)f
(u)du,
(u:ttuh,
du:hdu)
:
InK (")
f
(t*
uh) du.C,
En effectuant un d6velopement
limit6
A,l'ordre 2,il
vientB
fifril
:
[*
K (")
f
(t*
uh) d,uL"
"l
rK
f
r ,t2
I
:
/oK
fd lt
Q)+
fuh)f'
(t)
+,"!r,
,"
({)
|a"
(€e
[r,t
+
uh])L"^)
:
f
(t)"fn
r
(")
d,u*
hf'
(r)jl
zk (u) d,u+
;
/-
u2K
(u)f"
(€) du.II
en r6sulte quel-
/+..\l
l-f+..1
..1lbtats
\f
(t)J |:
lE
Lf(t)J
-
/
(t)l
=
T
tn
uzN (u)f" G),t
l<
;
hu2lN
(u)llf"
(01a"
7rz l-,,..1 f
<
?Z:X
l/
(t)l
Jo"'l*
(u)ldu
'D'ot
la premidre assertion de la proposition.Pour prouver
la
seconde assertion,on utilise le faite
que
les variables al6atoiresY:
'
K
fry)
,'i:
L,...,n
sonti.i.d. et
que Ia variance dela
somme de variables\ h /'
ind6pendantes coincide avec la somme des variances :
oo,
(?@\:
\"
.
../
J-=oo"
(nh)"
li
.
(ry\l
Lfr \
rr
/
),*(ro):*:_,i,i.li,f;)Lu
difxnxaarLK
\-
n
il
-"!",Yffi1,
=nn,
J-" (?,)
f
(il
da'
(a:
t
*
uh,
dY:
hdu)1
.
4,up/
@)
[
K
@)2 d,u.TttL
Ze1g_
"/n Cz
C'est exactement ce
qu'il
fallait
d6montrer.r
Remarque
2,2
On a d'aprCs la formule del'errure
quadrati,queM
SE(ittl)
:
(uo*(r ttl))'
+ uo,'ion".
(Ffrl)
On d,Ed,uit d,e la proposi,tion que le risque M S
E
aef
(il
ad,met la majorati,on su'iaante :----l+,,\
nzta,
C2MSE
(/
(r)J
< uih"
+
,
.On
udffie
ais1ment que la ualeur de la fen€treh
qui mini,mi,se le rnajorant d,uMSE
est.
I G\*
-1
ILopL:l,t-zl 'n
u'\av1 ,/
Effet de la
variation
de
h
sur I'estimateur d
noyau
Fg{
at
g
s;
-3 -f o r 2 3 4 -3 -1 G r 2 3 4
Figure2.2: Effet de la variation de /r sur lrestimateur h noyau.
Le pa,ramdtre
h
>
0
est appel6 fenOtre. C'estun
paramdtre de lissage:
plush
estgrand, plus I'estimateru est r6gulier.
II
fi14tut
IIl*l
282,L,$
Estimation
non
param6trique
de
la fonction
de
survie
Estimation empirique
:Pour
un
6chantillon des dur6es(T)*t...",
un
estimateurnaturel
de Ia survie de la variable7
est la survie empirique :^9,(t):ilt","t
(2.3)Ona,S(t)
:r-F(t)
1n1nd'ori
,S,(t)
:
-F,(r)
: -1I
/t'<rt
:
'
t
l{r>t}.
rL?
TL?
propri6t6
L'estimation de ia fonctionde de survie empirique est sans biais.
En effet /'t n \ E
(5,,(r))
:
E |
:f
/1rt,,r
)\'"
';=r
/
1$orr
\:
; 1c'
1t1r;>tl )-1-F'(r)
:^9(t).
R€sultat principaux
D'aprds les paragraphe (2.1.1),(2.1.2)
et
(2.1.3), notamment les 6quations (2.1), (2.2)et
(2.3) et les diff6rentes ddfinitions detaux
dehasard(l.l),
enutilisant
Ia m6thodes desubstitution pour construire
un
estimateur non param6trique detaux
de hasard d6finie\-
1
.t
-T.
4E-( h
) par:
h(t)
--
F-/I{'o''7 i=lou
bien, commeon a par d6finition
h(t):
ffi,
.rn
estimateur deh(t)
est alorsdonn6
par
:ift)
:
!g-
-1,
r,t
-urds,,(t)
:
-1
f
k(,")d,fr
tt).
,v\ut-
S,e)-
-EJ
tt\
h ,3*l
hr'",
hOr)
A (t)
est l'estimateur detaux
de hasard cumul6.2.2
Estimation
param6trique
Dans ce type d'estimation on suppose que la loi de
?
est d'un type connu, maisqu'il
d6pendd'un
parambl,re 0 inconnu. Le probl6me principale est alors d'estimer ponctuel-lement Ie param6tres 0.2.2.L
Estimation
ponctuelle
On souhaite estimer un paramdtre 0 d'une population (cela peut 6tre sa moyenne, son
6cart-type,... ). Utt estimateur de 0 est une statistique
T
(donc une fonction de(fi;
...;f;)
dont
la
rdalisation est envisag6e comme une "bonnevaleur" du
paramOtre 9. On parled'estimation de
I
associ6e d, cet estimateur la valeur observ6e lors de I'exp6rience, c'est-d-dire la valeur prise par la fonction aupoint
observ6(Tti...;7").
a) Estimation par la
mGthode
du maximum
de
vraisemblance
Soit
?
une variable al6atoire r6elle deloi
param6trique (discrdte ou continue), dont on veut estimer Ie paramdtre d. Alors on d6finit une fonction/
telle que :f (t;0):
fe(t)
si
?
est une variable alOatoire continue de densitd/.
Definition
2.t
On appelle foncti,on de uraisemblance pour une r1ali'sation(t1
...;t,r) d,'un6,chanti,Ilon, la foncti,on de 0 :
L(tt,...,tn;0)
:
f
(tt,...,tn;0)
:fit
{rrrr)
D6finition
2.2
La
m6.thode consistant d, esti,rner 0par
Ia ualeur qui, mari,miseL
(urai'-semblance) s'appelle mdthode du marimum de urai,semblance
(^)
e:
\0lL(0)
:
supr (d)J
Ce ci, est un probldme d'opti,rni,sati,on. On uti,Iise g1n€ralement le fai't que si,
L
est d€,ri'uableet
si,L
admet un matimum global en une aaleur, alors la d€ri,u4e premiCre s'annule en etque
la
ddriu4e seconde est negati'ue.En prati,que :
1. La condi,ti,on n€cessai're :
aL(tL,...,tn;0\
ahL(tr,...,t,,i?)
: t
A0
'-Uou---de
permet d,e trouuer la ualeur4.
2. 0
:6
est un monimum local si,la condi,ti,on suffi,sante est remplie au poi'nt cri,ti'que :02L(fu,...,tni|) rit
-
n
-
}zlnL(tr,..
*'4\
^
-ffi(B) <0o"ffi(d)<o
b)
Estimation
par
la m6thode
desmoments
D@finition
2.3
la
m€thode d,es moments consi,ste d, esti,mer les paramdtres en uti,lisontElIe
consiste d,onc d, rdsoudre un systdme d"'equations en Egalant les moments th1ori'queso,ur, rnornents empi'ri'que en
fonction
des paramdtres.D6finition
2.4
supposonsqu'il
eri,ste une foncti,on bi,jecti,ueh
et
conti,nue ded
c
lRpd,ans@
C
lRp dazr,sh(O),
unefoncti,onmesurableg
deE
--
iRp, telles quen@€))
eri,ste
ettoutes
les deursonttelles quel'on
ai,t,h(0):
E(p(T));
pourtout0
e
@' La mdthode des moments consiste d, esti,mer 0 par :/,,\
6n:h-t
(*tp(r)
)
.e.
\ ,;=r /
2,2,2
Moddles param6triques
On
suppose quela
distribution
des dur6es devie appartient
d, une famille des loisparam6triques donn6e.
Ainsi,
le moddle param6triquepeut
Otre formul6 en pr6cisant Ia forme de I'une ou I'autre des cinq fonctions dquivalentes qui ddfinissent la loi de Ia dur6e :h,
H,
f,
^9ou
F
(
respla
fonction detaux
de hasard,la
fonction detaux
de hasard cumul6,la
densit6 de probabilit6,la
fonction de survieet
Ia fonction der6partition)
:N6anmoins, on sp6cifie souvent Ia forme de la fonction de hasard : constante, monotone
croissante ou d6croissante. Les estimateurs des paramdtres du moddle sont ensuite obtenus en ma><imisa.nt Ia waisemblance des observations'
2.2.g
la
loi
exponentielle (la fonction
de hasard constante)
La loi exponentielleerp(a),
qui ne d6pend que d'un param6tre, est la seule qui admetune fonction de hasard constante. Cette loi est aussi dite rrsans m6moirerr car la probabilit6
de d6cds pour un
individu
dans un certain laps de temps est Ia mOme quelle que soit sadur6e de vie (c'est-d-dire P
(X >
s* t,/X
> t)
:
P(X
>
t)
)'
soit
?
une variable al6atoire continue positive de param6trea >
0,sa fonction de hasard esb cl6finie par :
h(t)
:
a'
Vf>
0'On sou6aite estimer le paramdtre
a
cle la loi exponentielle d,partir
d'un n-6chantillon.La
loi exp(a)
dL pour une fonction de clensit6 :f"(t):
aexP(-cut); Vt>
0.Ecrivons
la
fonction
<le vraiselrrblancepour
une rOalisationd'un
6chantillon derl
variables indOpendantes : fI T-T .f
(fr,...,
tn;a)
: ll
/
(tn'o)
,n T-T-
-t- 1 -tl
aexp(--cta)
TI:
cxnexp(_aIrn)
rl=1 donc0lnl,
(t1,,..,t,,;0)
*QLncv-";',)
1-
irr:
oa-3:
i,u
(v. z=L11
l'V: -- : -. tllj1lltu
r
n-EO+
rr suffit de v6rifie
,u",
t!ffir3)
s
o'on
u*(:-:")
n
---(U
otodonc i,estimateur de Ia fonction de hasard constant s'6crit sous
la
forme suivant :Tr1t1
:a:
,l- :;'
;L,,
1'= LL'estimateu
r
d,: -+-
est un estimateur biais6'1i,,
n?'
preuve.
Soit?
une"variable al6atoire continue positivesuit
uneIoi
erp(a);
o >
0. telle que tE
(T\:
1
"t
cleuor(?)
: +
'a
L. biais
Les variables al6atoire
fr
sonti.i.d.
de Ioi exponentielle de param6trea
alorsIL
\n
-,
Gamma(n,o),
ainsi en Posanta:
at'
j=1
/\
I
\T
I n I
f flQ",rr-!
E (a)
:
,
I
T- l:
J
fu1t"-'
exP(-at)dt
[)-af 6
\/
\;/oonQ"
f
,U,,,,.-,----,
^.rdA:
t
@)J
(;,l"
-exP(-ul
a
0na"7"
:
ffi"-,
J
u"-'exP(-Y)dg
0 02lnL (tt, ..,,tn;0)
-___aF-est v6rifi6e. no.t (n-
1) n : -Q.(rz-l)r(n-1)
n-L
d'ori l,estimateur de param6tre
o
est un estimateur biais6.n-t
on suppose
u: oj
un estimateur sans biais de param6trea'
ft'
Z-/
i:L
2.Efficacit6 de
d
: uar(d)
:
E
(d')
-
(E("))'
(Konig)T,--
t\2
^nn
tx2\-
I
\n
-
L)
-Q-*-r exp(-at\d,t
en posant U:
at
E\a
): l-ttrri
u
v^v\
0 no.l (n-
I)
:
?'?n
T
(Y\*t
"
'd'u
(rn
7'r
ut"-l '
'da
I
ln)J
\o/
xP(-Y);
+
11,4/
\;/
exP\-ei
o
"b
oo
o ntudn [
(
y-z
"*p?d@
-zffiJ ,,ot
---r\
o,
ot 0 @oon2ort'
f^.*-,
Q"
f
^:
ffi;-
J
o*
,"-'exp(-v)dv +
tdA;,
lr"-'exp(-v)dv
0-
-r
r. no" f
^ ('z)*;T
J
Y"-z exP(-s)dY 0 nzanT("
-
Z)
,
Q"l
(ry
9--.@-@-=
'n2a2'.dznn
: T;T\h
-'rl
-r
fu
-
r)(n
-
2)
-
'z n-
ti'
,
it2o,2+;f
-'ina
(n- 2)"
n2a2+
a2-
Ztfa
*
4na):@:@
(rz-1)f(n-1)
E
(d'
d'ori
uar
(d)
:
n2a2+a2-2n2a*4na
-
o!2(n-t)(ry-2)
-'a2+5a2rr,-2n2a*4na
(n-L)(n-z)
I
(d\
: -,
(ozlnL(tl'
"''t";o))
: +
r\u./-
"\
A02
/
a2'On remarque que uor
(o)
+
h
2.2.4
La
loi
de
weibull
La
loi
deWeibull
W(o,.\)
on retrouvela
loi
exponentiellepour
) :
L. Si .\taux de hasard est d6croissant; si ,\
>
1 letaux
de hasard est croissant.(1,
leFigure2.8: La fonction de hasard monotone pour la loi de wiebull.
Soit
?
une variable a"l6atoire positive de param6trea >
0 et,\
>
0;sa fonction de hasard est d6finie par :
h
(t)
:
\at"*L
On souhait estimer les param€tres a et ,\ de la loi de weibull d, pa,rtie de n-dchantillon.
La loi weibull W
(o,.\)
a pour fonction de densit6 :/
(t)
:
.\afo-lexP
(-)t")
La fonction de vraisemblance s'6crit :
n
L(h,...,tn,a,A):
ll
/
(fr) .i:16<r
{,t t/ !r tt'/
,'''
fo>.t 36En
utilisant
le changement de variable'\
:
l-o
L(h,"',tn,a,\):
II
est plus simpled'utiliser
le logarithme, Ia vraisemblance 6tant positive :ln.L(t1,
...,tn,e,A)
:
n(lna
-
alnl)
-
r"tff
+
@-
t;f
mt;
Les 6quations aux d6riv6s partielles s'dcrivent donc
A-
,
\.
-^'
"
ro,lnL(tr,
"',
tn,a,\)
: -T
+
o,l'a-LDtr
a
/1
-\
/
tt
"
\
1r*lnL(tr,.',,
tn,a,\)
:
"
(+-
hl
)
+
(r"lnl
i
t?-
D't?lnt'I-o
I +
rlntr
od
,.,
-
,"\o
*"/
\"
7_;'
/
F_t Ona:
A*
tn.l
(fr,
.'., t,,, a,\)
:
o oInan
---i
-- *
al-a-t
I
tf
:
OL
i=t
--;
'-o
:
+-,D^Tn
+tr:11*
/J -2i:L
1donc I'estimateur de marcimum de vraisemblance de
l
est donn6 par'\
:
Ta'
A
(L
-.\
/
n
'
\
rL*tnL(t,,...,
da
tn,a,A):"(:,-rnl)
'-'' '
\g- /r \ , l=t- o=t,, \/
- (r-"hll t
+Dtf;\tttll-"
)+Dlntr
,!=':
n
(!-
lnl
)
+
l-"
(hl
t
ti
-
D-tirnti)
+ D
Inta\a
/
\
t=r
i=7
/
i:t
a.
#
t" L(tr,...,t,,,
a,))
:
o,ff,
t
ftr): ft
1ol-"
tf;-r
exp(-r"tf))
i.=1 i=\fr,(#'r'*n
(- (?)"))
i;j"",
(-,-"
.>^,r)*p
((*
-
rvpr"a)
+
Tr(L -r'l)
+,-'
(ntitr -
i'rt"tn)
+
Ih"n
:
s\o
'/t '\
/
\
i.=l
i'=r
/
,z=t-
-,-"(ntit-irrlntl)-ir't'
+n(;-rnt)-
u.
\^""g,",. i=L \ ,,,
z=,*
|,:
nrn t-
+-(",
1
t?-
^i-tihtt)
-
5
mt'
d
'E-"
t i=L
i=7', ititnti
1n
+ !,:'tAZ- -:llnt,i,
aDt
i,:rirr
n
I
lni;
;-1
II suffit de v6rifi6 ia deuxieme condition on montre que la matrice
A
:
est une matrice d6finie nOgative alorsu'
Au
<0
telle queA
est une matrice carrde (2x
2) etu
l0'
Donc I'estimateur de
la
fonction de hasard pour?
"'+w
(o,'\)
s'ecrit sous Ia formesuivante :
2.2.5
Loi
La
Ioi
Gamma G(a,0)
; qui d6pende cle deux paramdtrea'
13)
0'pour
a
:
1;
on retrouve la loi exponentielle exp(p).
si
0< a
<
L;
letaux
de hasard est dGcroissant; sio
>
1 letaux
de hasard est croissant'(+x##)
\**
+*
)
(
i'r
i(t)
--
+-
|
+]--Etr
\'Etitnti
Gamma
' i't
\ =t=1 - in -rlC.s-n
l.).tyt",l lt*ti
"-
ltr=t
i=lI
Intl
Ii,=r /
38*t/t ._-.&--.---e'
ilt
,,,..-'-'_---.-'l,li'
,r,'
,.,"'//'r'
i,lI
/
,,'
u"l! / .'/ ,'V!
..,r' i;-i*'t--i*-;-*a--i--i--8--ii'S>l
lr<rFigure2.4: La fonction de hasard monotone pour la loi de Gamma'
Sa densitd de probabilitd est d6finie par :
ad
f
(t):
{rrt"-'e-a';t2\etP,a>
0. Ona:
E o,p(r)
:
T:#r..-t
"- Ft41:
*l
i,
a 7a "- et 47En eflectuant le changement de T ariable
u
:
Bt eL ennotant que|
(a+
1):
af
(a) 'il
vient
:1 09
du
1 -r .1.
a
E*,p(r):
ffuf"""-"i:
ffir
@+r):
U.De la m0me mani0re on montre que I'on a :
Ainsi
Ainsi on peut 6crire
Nous obtenons alors
uar(r): E(rz)- E'g)
-W
-#:
fr
E.,p(T):fr
",
E.,B(72)
@#
eth(o,0
-
Eo,e (e(f))
/
n
a(a-!
r))
"t
e(")
:
(T,Tr)
. avec lz(",0)
:
[7, p" /
Des estimateurs de
a
et B par Ia m€thode des moments sont alors(r,o)
:
h-'\(*
;;.,
(z))
:
h-L(;
i
",!,
.D^':)
Un calcul ais6 donne I'expression de h-1, reciproque de
h'
Onobtient
:(o,