Ï-Divergence empirique et vraisemblance empirique généralisée
Ï-Divergence empirique et vraisemblance empirique généralisée
Ï-Divergence empirique et vraisemblance empirique généralisée
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
c’est-à-dire, en explicitant I ϕ ∗ α<strong>et</strong> ϕ α ,1α(α − 1)∫ [( dQ⋄dPΩQ ⋄ est donné parn∑Q ⋄ = qi ⋄ δ Xi =i=1) α ( ) dQ⋄− αdP − 1 − 1n∑i=1= −1nαn∑i=1i=1]dP{ [1+ (α − 1)λ⋄ ′ (X i − µ) ] }αα−1− 1 .1 [1 + (α − 1)λ⋄ ′ (X i − µ) ] 1α−1δ Xi ,nd’où l’on déduit la valeur du minimum de la divergence du rapport de « <strong>vraisemblance</strong>» généraliséen∑I ϕ ∗ α(Q ⋄ 1n∑, P n ) =n ϕ∗ α(nqi ⋄ (nqi ⋄ ) α − αnqi ⋄ + α − 1− 1) =.nα(α − 1)On regroupe les valeurs des poids <strong>et</strong> des divergences pour les exemples usuels(α = 0, 1/2, 1, 2) dans le tableau 2.i=1<strong>Divergence</strong>s poids optimaux q ⋄ i minimum de la divergenceentropie relative1n exp(λ⋄ ′ (X i − µ))∑ q⋄i log(nq ⋄ i ) + 1 − ∑ q ⋄ iKullback1n(1 − λ ⋄ ′ (X i − µ))−1 − ∑ 1n log(nq⋄ i ) + ∑ q ⋄ iHellinger42 ∑ (√ √q ⋄n(2 − λ ⋄ ′ (X i − µ)) 2 i − 1n) 2χ 2 1 n (1 + λ⋄ ′ (X i − µ))∑ (nq ⋄ i − 1) 22nTab. 2 – Poids <strong>et</strong> rapports de <strong>vraisemblance</strong>s pour les divergences usuelles11