Discussion :

[maiga1]

Bonjour je suis un nouveau utilisateur de R et cherche à résoudre le problème dans le document joint:
je pense procéder cette manière mais je n’arrive pas à mettre les têta en valeur absolue.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
n <- 100  # choisir une valeur
beta <- 0.6
x <- runif(n,-3, 3)
y <- rnorm(n, beta*x, 1/sqrt(tau)) # produire des valeurs de y avec comme moyenne beta*x et d'écarts-types 1/racine carrée de tau
b <- sum(x*y)/sum(x^2) #  calculer l'estimation des moindres carrés
sdb <- 1/sqrt(tau*sum(x^2))
bval <- seq(b-4*sdb, b+4*sdb, length=200)
plot(bval, dnorm(bval, b, sdb), type="l")

Merci d'avance
cordialement

[juliatheric]

Bonjour,
Il y a plusieurs façons de le faire en R. Sans entrer dans les détails de ce que fait le code montré (le mélange des distributions gaussiennes et uniformes me paraît étrange vu l'énoncé), je propose une autre manière : le package fitdistrplus.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
> library("fitdistrplus")
> x <- runif(100, -3, 3)
> fitdist(data = x, distr = "unif", method = "mle")

Fitting of the distribution ' unif ' by maximum likelihood 
Parameters:
     estimate Std. Error
min -2.977003         NA
max  2.945257         NA

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

> fitdist(data = x, distr = "unif", method = "mme")

Fitting of the distribution ' unif ' by matching moments 
Parameters:
   estimate
1 -3.100314
2  2.840496

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

> fitdist(data = x, distr = "unif", method = "qme", probs = c(1/3, 2/3))

Fitting of the distribution ' unif ' by matching quantiles 
Parameters:
     estimate
min -3.347531
max  2.995502

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

> fitdist(data = x, distr = "unif", method = "mge", gof = "CvM")

Fitting of the distribution ' unif ' by maximum goodness-of-fit 
Parameters:
     estimate
min -3.093458
max  2.823104

Fitting of the distribution ' unif ' by maximum likelihood suffit amplement à répondre à l'énoncé, je donne les autres approches pour susciter la curiosité. Voir la documentation pour les détails entre les différentes approches d'estimation des paramètres.

[maiga1]

Merci beaucoup juliatheric c'est super sympa.
Mais STP si t'as plus d'idée c'est la représentation graphique (le plot)
que j'aimerai faire. Merci encore pour ce soutien.

[juliatheric]

Mais STP si t'as plus d'idée c'est la représentation graphique (le plot)
que j'aimerai faire

Je la voyais venir celle-là et la réponse était déjà là : j'ai essayé d'éveiller ta curiosité pour lire la doc. Il suffit de faire library(fitdistrplus); ?fitdist pour savoir comment faire. Dans la section Value :

‘plot’ The plot of an object of class "fitdist" returned by ‘fitdist’ uses the function ‘plotdist’...

Voici quand même le code :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
> library("fitdistrplus")
> x <- runif(100, -3, 3)
> y <- fitdist(data = x, distr = "unif", method = "mle")
> plot(y)

[maiga1]

Grand merci juliatheric
c'est exactement c que j'aimerai faire
en plus le lien dont vous m'avez envoyé contient pas
mal d'information!!!!
Merci encore