de la densité stationnaire
SCHMISSEREmeline
UniversitéParisDesartes
LaboratoireMAP5
Emeline.Shmissermi.paris des art es.f r
5 mai2010
1
Problème
1
Problème
2
Prinipede l'estimationadaptative
1
Problème
2
Prinipede l'estimationadaptative
3
Deuxméthodesd'estimation
1
Problème
2
Prinipede l'estimationadaptative
3
Deux méthodesd'estimation
4
Simulations
1
Problème
2
Prinipede l'estimationadaptative
3
Deux méthodesd'estimation
4
Simulations
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Exemple de diusion
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
−1
−0.5 0 0.5 1 1.5 2 2.5
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Exemple de diusion
0.5 1 1.5 2 2.5
b(x) =−x/2
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Exemple de diusion
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
−1
−0.5 0 0.5 1 1.5 2 2.5
b(x) =−x/2 σ(x) =σ
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Exemple de diusion
0.5 1 1.5 2 2.5
b(x) =−x/2 σ(x) =σ
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Exemple de diusion
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
−1
−0.5 0 0.5 1 1.5 2 2.5
b(x) =−x/2 σ(x) =σ
σ =0 σ=0.2
Diusions
Équation diérentielle stohastique
dX
t=b(Xt)dt+σ(Xt)dWt X0 =η η variablealéatoire Wt
mouvement brownienindépendantde η
Exemple de diusion
0.5 1 1.5 2 2.5
b(x) =−x/2 σ(x) =σ
Hypothèses
Données
0 ∆
Xk∆
T=n∆
Hypothèses
Données
0 ∆
Xk∆
T=n∆
X
0,X∆, . . . ,Xn∆
Hypothèses
Données
0 ∆
Xk∆
T=n∆
X
0,X∆, . . . ,Xn∆
stritement
stationnaires
Hypothèses
Données
0 ∆
Xk∆
T=n∆
X
0,X∆, . . . ,Xn∆
stritement
stationnaires
exponentiellement
β-mélangeantes
Hypothèses
Données
0 ∆
Xk∆
T=n∆
X
0,X∆, . . . ,Xn∆
stritement
stationnaires
exponentiellement
β-mélangeantes f densitéstationnaire
Hypothèses
Données
0 ∆
Xk∆
T=n∆
X
0,X∆, . . . ,Xn∆
stritement
stationnaires
exponentiellement
β-mélangeantes f densitéstationnaire
But
Estimationde g :=f′ surunompat [0,1]
Hypothèses
Données
0 ∆
Xk∆
T=n∆
X
0,X∆, . . . ,Xn∆
stritement
stationnaires
exponentiellement
β-mélangeantes f densitéstationnaire
But
Estimationde g :=f′ surunompat [0,1]
Motivation : estimation de b par quotient
Siσ onstante onnue : b = σ2f′
2f
Problème β-mélange
Dénition du
β
-mélangeProblème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant X
t β-mélangeantsi βX(t)→0
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant X
t β-mélangeantsi βX(t)→0
X
t
exponentiellement β-mélangeantsi βX(t)≤e−θt
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant X
t β-mélangeantsi βX(t)→0
X
t
exponentiellement β-mélangeantsi βX(t)≤e−θt
Quasi-indépendane entreX
s etX
t+s pour t grand
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant X
t β-mélangeantsi βX(t)→0
X
t
exponentiellement β-mélangeantsi βX(t)≤e−θt
Quasi-indépendane entreX
s etX
t+s pour t grand
Contrle de lavariane
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant X
t β-mélangeantsi βX(t)→0
X
t
exponentiellement β-mélangeantsi βX(t)≤e−θt
Quasi-indépendane entreX
s etX
t+s pour t grand
Contrle de lavariane
A= 1
n n
X
k=1
h(Xk∆)
Problème β-mélange
Dénition du
β
-mélangeCoeient de β-mélange
Pour unproessusX
t
stationnaire:
βX(s) = 1
2
kP(X0,Xs)−PX0⊗PX0kTV
Proessus β-mélangeant X
t β-mélangeantsi βX(t)→0
X
t
exponentiellement β-mélangeantsi βX(t)≤e−θt
Quasi-indépendane entreX
s etX
t+s pour t grand
Contrle de lavariane
1
Problème
2
Prinipede l'estimationadaptative
3
Deux méthodesd'estimation
4
Simulations
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Colletion d'espaes S
m
3 4 5 6 7 8
vraie fonction projection sur S0 projection sur S2
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Colletion d'espaes S
m
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0 1 2 3 4 5 6 7 8
vraie fonction projection sur S0 projection sur S2
Caratéristiques :
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Colletion d'espaes S
m
3 4 5 6 7 8
vraie fonction projection sur S0 projection sur S2
Caratéristiques :
emboîtés
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Colletion d'espaes S
m
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0 1 2 3 4 5 6 7 8
vraie fonction projection sur S0 projection sur S2
Caratéristiques :
emboîtés
densesdansL 2
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Colletion d'espaes S
m
3 4 5 6 7 8
vraie fonction projection sur S0 projection sur S2
Caratéristiques :
emboîtés
densesdansL 2
équivalenenormeL 2
L
∞
Espaes S
m
Algorithme
Pourm≤M :alulgˆm ∈Sm séletion meilleurgˆm
grâeàpen(m)
Colletion d'espaes S
m
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0 1 2 3 4 5 6 7 8
vraie fonction projection sur S0 projection sur S2
Caratéristiques :
emboîtés
densesdansL 2
équivalenenormeL 2
L
∞
Exemples:
poly trigonométriques
poly parmoreaux
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
aluldurisque:
R
m =E kgˆm−gk2L 2
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
aluldurisque:
R
m =E kgˆm−gk2L 2
≤ k − k2
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
aluldurisque:
R
m =E kgˆm−gk2L 2
R
m ≤ kgm−gk2L2
+Variane+Reste
Estimateur adaptatif
pénalitépen ∼Variane
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
aluldurisque:
R
m =E kgˆm−gk2L 2
≤ k − k2
Estimateur adaptatif
pénalitépen ∼Variane
hoixmˆ minimise
inf
m≤Mγn(ˆgm) +pen(m)
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
aluldurisque:
R
m =E kgˆm−gk2L 2
R
m ≤ kgm−gk2L2
+Variane+Reste
Estimateur adaptatif
pénalitépen ∼Variane
hoixmˆ minimise
inf
m≤Mγn(ˆgm) +pen(m)
risquede gˆmˆ :
R =E kgˆmˆ −gk2L 2
Prinipe d'estimation non paramétrique
Rappel:g :=f′
Estimation à m xé
ontrasteγn
ˆ
g
m
minimiseγn(t) surSm
aluldurisque:
R
m =E kgˆm−gk2L 2
≤ k − k2
Estimateur adaptatif
pénalitépen ∼Variane
hoixmˆ minimise
inf
m≤Mγn(ˆgm) +pen(m)
risquede gˆmˆ :
R =E kgˆmˆ −gk2L 2
1
Problème
2
Prinipede l'estimationadaptative
3
Deux méthodesd'estimation
4
Simulations
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
Cadre asymptotique :n → ∞,T =n∆→ ∞
∆peut êtrexe
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
Cadre asymptotique :n → ∞,T =n∆→ ∞
∆peut êtrexe
Estimateur à m xé
Contraste:
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
Cadre asymptotique :n → ∞,T =n∆→ ∞
∆peut êtrexe
Estimateur à m xé
Contraste:
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
Cadre asymptotique :n → ∞,T =n∆→ ∞
∆peut êtrexe
Estimateur à m xé
Contraste:
γn(t) =ktk2L2+ 2
n n
X
k=1
t
′(Xk∆)
Justiation:
Deuxméthodesd'estimation Endérivantunestimateurdef
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
Cadre asymptotique :n → ∞,T =n∆→ ∞
∆peut êtrexe
Estimateur à m xé
Contraste:
Justiation:
SCHMISSER Emeline (MAP5) Dérivée de la densité Mont Dore 11 / 17
En dérivant un estimateur de f
Modèle
Contraintes:pas besoindiusion(β-mélange +stationnarité)
espaes S
m
:ontraintesfortesau bord
Cadre asymptotique :n → ∞,T =n∆→ ∞
∆peut êtrexe
Estimateur à m xé
Contraste:
γn(t) =ktk2L2+ 2
n n
X
k=1
t
′(Xk∆)
Justiation:
E(γn(t)) =ktk2L2+2<t′,f >
=ktk2L2 −2<t,f′ >
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
risque:R ≤Cminm≤M kgm−gk2L
2+pen(m) +ln
4(n∆)
n∆
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
risque:R ≤Cminm≤M kgm−gk2L
2+pen(m) +ln
4(n∆)
n∆
Vitesse de onvergene si f
′ =g dans Besov B2α,∞
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
risque:R ≤Cminm≤M kgm−gk2L
2+pen(m) +ln
4(n∆)
n∆
Vitesse de onvergene si f
′ =g dans Besov B2α,∞
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
risque:R ≤Cminm≤M kgm−gk2L
2+pen(m) +ln
4(n∆)
n∆
Vitesse de onvergene si f
′ =g dans Besov B2α,∞
R(ˆgmˆ)≤(n∆)−2α/(3+2α)
Estimationde b (∆xe,σ onnu) :
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
risque:R ≤Cminm≤M kgm−gk2L
2+pen(m) +ln
4(n∆)
n∆
Vitesse de onvergene si f
′ =g dans Besov B2α,∞
∆ σ
Résultats
Risque de l'estimateur à m xé:
R
m ≤ kgm−gk2L2+Dm3/(n∆)
Estimateur adaptatif
pénalité:pen(m) =Dm3/(n∆)
risque:R ≤Cminm≤M kgm−gk2L
2+pen(m) +ln
4(n∆)
n∆
Vitesse de onvergene si f
′ =g dans Besov B2α,∞
R(ˆgmˆ)≤(n∆)−2α/(3+2α)
Estimationde b (∆xe,σ onnu) :
Gobet,Homann, Reiss(2004) :
R(ˆb)≤n−2α/(3+2α)
Deuxméthodesd'estimation Enutilisantf
′=2σ−2bf
En utilisant f
′
=
2σ
−2bfModèle
Contraintes:
Deuxméthodesd'estimation Enutilisantf
′=2σ−2bf
En utilisant f
′
=
2σ
−2bfModèle
Contraintes:diusion
Deuxméthodesd'estimation Enutilisantf
′=2σ−2bf
En utilisant f
′
=
2σ
−2bfModèle
Contraintes:diusion+σ onstantonnu
Deuxméthodesd'estimation Enutilisantf
′=2σ−2bf
En utilisant f
′
=
2σ
−2bfModèle
Contraintes:diusion+σ onstantonnu +(Xt ≃Xt+h)pour h petit
Deuxméthodesd'estimation Enutilisantf
′=2σ−2bf
En utilisant f
′
=
2σ
−2bfModèle
Contraintes:diusion+σ onstantonnu +(Xt ≃Xt+h)pour h petit
adre asymptotique :
Deuxméthodesd'estimation Enutilisantf
′=2σ−2bf
En utilisant f
′
=
2σ
−2bfModèle
Contraintes:diusion+σ onstantonnu +(Xt ≃Xt+h)pour h petit
adre asymptotique :n→ ∞,T =n∆→ ∞,∆→0