Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
ESTIMATEURS RECURSIFS ET LEURS APPLICATIONS A LA PREVISION
Univ Europeenne - EAN : 9786131581496
Édition papier
EAN : 9786131581496
Paru le : 9 juin 2011
49,00 €
46,45 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9786131581496
- Réf. éditeur : 5598392
- Editeur : Univ Europeenne
- Date Parution : 9 juin 2011
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 156
- Format : 0.90 x 15.20 x 22.90 cm
- Poids : 239gr
- Interdit de retour : Retour interdit
- Résumé : Nous nous intéressons aux méthodes d''estimation non paramétriques par noyaux récursifs ainsi qu''à leurs applications à la prévision. Nous introduisons dans un premier chapitre une famille d''estimateurs récursifs de la densité indexée par un paramètre [0, 1]. Leur comportement asymptotique en fonction de va nous amener à introduire des critères de comparaison basés sur les biais, variance et erreur quadratique asymptotiques. Pour ces critères, nous comparons les estimateurs entre eux et aussi comparons notre famille à l''estimateur non récursif de la densité de Parzen-Rosenblatt. Ensuite, nous définissons à partir de notre famille d''estimateurs de la densité, une famille d''estimateurs récursifs à noyau de la fonction de régression. Nous étudions ses propriétés asymptotiques en fonction du paramètre . Nous utilisons enfin les résultats obtenus sur l''estimation de la régression pour construire un prédicteur non paramétrique par noyau. Nous obtenons ainsi une famille de prédicteurs non paramétriques qui permettent de réduire considérablement le temps de calcul. Des exemples d''application sont donnés pour valider la performance de nos estimateurs.
