From 2bc9e1859c75692d2d0e16a4eb5c0871b1b4eab2 Mon Sep 17 00:00:00 2001 From: Bertrand Date: Thu, 21 Apr 2016 20:28:33 +0200 Subject: avancée rapport MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- doc/rapport.tex | 27 ++++++++++++++++++++++++++- 1 file changed, 26 insertions(+), 1 deletion(-) diff --git a/doc/rapport.tex b/doc/rapport.tex index c771e1d..9086688 100644 --- a/doc/rapport.tex +++ b/doc/rapport.tex @@ -73,7 +73,7 @@ Dans l'article \cite{tuffin2004randomization}, Tuffin suggère d'utiliser la bor $\beta = \E[|f(X)-\E[f(X)]|^3]$, $F_n$ la fonction de répartition de $\sqrt{N}\frac{\bar{X}_N-\mu}{\sigma}$et $\mathcal{N}$ la fonction de répartition d'une loi normale centrée réduite, alors l'inégalité de Berry-Esseen affirme que : \begin{equation*} -\forall x \quad |F_n(x) - \mathcal{N}(x)| \leq C\frac{\beta}{\sigma ^3 \sqrt{N}} +\forall x \quad |F_n(x) - \mathcal{N}(x)| \leq C\frac{\beta}{\sigma^3 \sqrt{N}} \end{equation*} Ce qui nous donne $\mathcal{N}(x) - C\frac{\beta}{\sigma ^3 \sqrt{N}} \leq F_n(x) \leq \mathcal{N}(x) + C\frac{\beta}{\sigma ^3 \sqrt{N}} $ et en soustrayant l'encadrement équivalent de $F_n(-x)$ il vient : @@ -158,6 +158,26 @@ en choisissant une répartition déterministe, par exemple la répartition unifo surtout les premiers estimateurs de $\sigma_{i}$. Ensuite on pourra tirer un nombre $N_2 > N_1$ de $(X_{i})$ avec de nouveaux $q_i$ donnés par \eqref{eqqi} ce qui nous donnera un nouvel estimateur de $\mu$ (en utilisant les $N_1 + N_2$ premières valeurs) puis de nouveaux $q_i$ plus précis, et ainsi de suite. +Essayons maintenant de décrire plus précisément comment calculer précisément la proportion de tirages à allouer par strates. En effet, il y a deux contraintes +en plus de la formule qui nous donne la suite des $q_i$. Tout d'abord le nombre de tirages doit évidemment être entier, et de plus il doit y avoir au moins +un tirage par strates, car Étoré et Jourdain prouvent la convergence de leurs estimateurs de variances conditionnelles $\hat{\sigma}_i$ si il y a au moins un +tirages effectué par strates à chaque étape. +Notons $I$ le nombre de strates, $\hat{\sigma}_i^k$ l'estimateur à l'étape $k$ de la variance de $X|X\in i_{\textrm{ème}} intervalle$, $N_i^k$ le +nombre total de tirages effectués de l'étape 0 à l'étape $k$ dans la $i_{\textrm{ème}}$ strate et $M_i^k$ le nombre de tirages à effectuer à l'étape $k$ +dans la strate $i$ qui est donc $M_i^k = N_i^k - N_i^{k-1}$. +Étape 1 : +\begin{equation*} +\forall i \in I \quad M_i^1 = N_1/I +\end{equation*} + +Étape k : +On commence d'abord par calculer les $\hat{\sigma}_i^{k-1}$ afin d'obtenir nos nouveaux $q_i$ et donc les nouveaux $N_i$. On a : +\begin{equation*} +\forall i \in I \quad \hat{\sigma}_i^{k-1} = \sqrt{\frac{1}{N_i^{k-1}}(\sum_{j=1}^{N_i^{k-1}}(f(X_i^j))^2-(\frac{1}{N_i^{k-1}}\sum_{j=1}^{N_i^{k-1}}(f(X_i^j))^2) +\end{equation*} +Ensuite on peut calculer les $M_i^k$. On sait qu'il nous faut au moins $1$ tirage par strate on peut donc écrire $\forall i \in I M_i^k = m_i^k + 1$ +et comme on a $M_i^k = N_i^k - N_i^{k-1}$ il vient $\sum{i=1}^Im_i^k=N^k-N^{k-1}-I$. + \section{Exemples} \subsection{Calcul de l'espérance d'une loi normale} Dans ce premier exemple assez simple, on va chercher à calculer $ \mu = \E[X]$ où $X$ suit une loi normale centrée réduite @@ -240,6 +260,11 @@ $\mathbb{R}$ en $I=100$ strates suivant les quantiles au $1/100^{\textrm{ème}}$ technique utile dans ce cas car on ne connait pas la suite des $\sigma_i = \mathrm{Var}(f_{\mu}(X)|u'X\in [y_{i-1},y_i])$. +\begin{center} +\input{table2.tex} +\input{table3.tex} +\end{center} + \printbibliography -- cgit v1.2.3-70-g09d2