Andere Kunden interessierten sich auch für
![Etude et comparaison d'estimateurs de l'indice des valeurs extrêmes]( "Etude et comparaison d'estimateurs de l'indice des valeurs extrêmes")
Etude et comparaison d'estimateurs de l'indice des valeurs extrêmes32,99 €![Analyse de la fluctuation de l'indice de la production industrielle]( "Analyse de la fluctuation de l'indice de la production industrielle")
Analyse de la fluctuation de l'indice de la production industrielle36,99 €![Exploration de données à la recherche de sous-groupes optimaux]( "Exploration de données à la recherche de sous-groupes optimaux")
Exploration de données à la recherche de sous-groupes optimaux32,99 €![Reconstruction 3D de scènes sous-marines]( "Reconstruction 3D de scènes sous-marines")
Reconstruction 3D de scènes sous-marines50,99 €![Simulation des Équations Différentielles Stochastiques sous R]( "Simulation des Équations Différentielles Stochastiques sous R")
Simulation des Équations Différentielles Stochastiques sous R38,99 €![Plans en contributions définies à taux minimum garanti sous IAS19]( "Plans en contributions définies à taux minimum garanti sous IAS19")
Plans en contributions définies à taux minimum garanti sous IAS1926,99 €![Marche aléatoire excitée]( "Marche aléatoire excitée")
Marche aléatoire excitée46,99 €
Le livre focalise sur l'estimation de l'indice de queue d'une distribution à queues lourdes avec des données complètes et incomplètes. Ce qui nous amène à l'estimation de la distribution des extrêmes (EVT), qui repose donc sur l'estimation de l'indice des valeurs extrêmes (EVI) Gamma. Parmi les plus importants on peut citer l'estimateur de Hill généralisé (G-Hill) et l'estimateur du maximum de vraisemblance (ML), car G-Hill est asymptotiquement sans biais. Et ML est un estimateur consistant avec un faible biais. La plupart des recherches en EVT se concentrent sur les distributions à queues lourdes où le EVI Gamma> 0: C'est le domaine sur lequel nous allons nous concentrer. Nous supposerons le cas de la censure aléatoire (c.a), et consacrerons notre attention à l'estimation d'EVI sous c.a. En 2008, Einmahl et al [11] ont fourni une définition par laquelle nous pouvons adapter n'importe quel estimateur d'EVI classique sous c.a, parmi eux ML. Dans notre travail, nous présenterons une méthode numérique pour estimer l'EVI sous c.a, nous verrons qu'il n'est pas possible d'adapter ML sous c.a par la définition donnée par [11]. Cela est expliqué par Kouider et al [28] (2003).