Download or read book Estimation non param trique de densit de probabilit pour les prcessus de Markov written by Gérald Banon and published by . This book was released on 1977 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book Estimation non param trique de densit de probabilit pour les processus de Markov written by Gerald Jean Francis Banon and published by . This book was released on 1977 with total page 148 pages. Available in PDF, EPUB and Kindle. Book excerpt: RAPPEL SUR L'ESTIMATION DE DENSITE PAR LA METHODE DU NOYAU. ESTIMATION NON PARAMETRIQUE POUR LES PROCESSUS DE MARKOV A TEMPS DISCRET. ESTIMATION NON PARAMETRIQUE POUR LES PROCESSUS DE MARKOV A TEMPS CONTINU.

Download or read book Introduction l estimation non param trique written by Alexandre B. Tsybakov and published by Springer Science & Business Media. This book was released on 2003-09-05 with total page 196 pages. Available in PDF, EPUB and Kindle. Book excerpt: La théorie de l'estimation non-paramétrique s'est développée considérablement ces deux dernières décennies, en se fixant pour objectif quelques thèmes principaux, en particulier, l'étude de l'optimalité des estimateurs et l'estimation adaptative. Ces deux thèmes occupent la place centrale dans le livre. Il s'agit de présenter, pour quelques modèles et exemples simples, les idées principales de l'estimation non-paramétrique. Quelques sujets abordés sont: les méthodes de noyaux, de projection et de polynômes locaux, vitesses optimales de convergence, le théorème de Pinsker, les inégalités d'oracle, l'adaptation au sens minimax. Un chapitre est consacré à l'exposition détaillée des différentes techniques de minoration du risque minimax.

Download or read book Estimation non parametrique de densite de probabilite pour les processus de markov written by G. Banon and published by . This book was released on 1977 with total page 148 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book Initiation aux Probabilit s written by Pierre Brémaud and published by Springer Science & Business Media. This book was released on 2009-08-25 with total page 312 pages. Available in PDF, EPUB and Kindle. Book excerpt: Cette introduction aux concepts probabilistes et au calcul des probabilités s'adresse aux élèves-ingénieurs ou aux étudiants qui ne se destinent pas a priori à une carrière en mathématiques. La présentation, bien qu'utilisant le formalisme moderne, ne fait donc pas appel à une connaissance préalable de la Théorie de la Mesure et de l'Intégration. En revanche, l'auteur insiste tout au long du livre sur l'aspect essentiel de la modélisation, à l'aide d'exercises variés en génétique (processus de branchement) en théorie des communicaitons (transmission de données, codage), en théorie du signal (filtre de Kalman-Bucy), en recherche opérationnelle (fils d'attente) en statistique (tests d'hypothèses), etc. Une dernière caractéristique importante de ce livre est la présence d'une centaine d'exercices avec solutions détaillées.

Download or read book Estimation non param trique de la densit de variables al atoires cach es written by Charlotte Dion and published by . This book was released on 2016 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: Cette thèse comporte plusieurs procédures d'estimation non-paramétrique de densité de probabilité.Dans chaque cas les variables d'intérêt ne sont pas observées directement, ce qui est une difficulté majeure.La première partie traite un modèle linéaire mixte où des observations répétées sont disponibles.La deuxième partie s'intéresse aux modèles d'équations différentielles stochastiques à effets aléatoires. Plusieurs trajectoires sont observées en temps continu sur un intervalle de temps commun.La troisième partie se place dans un contexte de bruit multiplicatif.Les différentes parties de cette thèse sont reliées par un contexte commun de problème inverse et par une problématique commune: l'estimation de la densité d'une variable cachée. Dans les deux premières parties la densité d'un ou plusieurs effets aléatoires est estimée. Dans la troisième partie il s'agit de reconstruire la densité de la variable d'origine à partir d'observations bruitées.Différentes méthodes d'estimation globale sont utilisées pour construire des estimateurs performants: estimateurs à noyau, estimateurs par projection ou estimateurs construits par déconvolution.La sélection de paramètres mène à des estimateurs adaptatifs et les risques quadratiques intégrés sont majorés grâce à une inégalité de concentration de Talagrand. Une étude sur simulations de chaque estimateur illustre leurs performances. Un jeu de données neuronales est étudié grâce aux procédures mises en place pour les équations différentielles stochastiques.

Download or read book Estimation de la densit de probabilit d une mesure dans un cadre non lin aire non gaussien written by José Ismäel de la Rosa Vargas and published by . This book was released on 2002 with total page 189 pages. Available in PDF, EPUB and Kindle. Book excerpt: Mettre en oeuvre une procédure de mesure passe par la modélisation préalable du phénomène observé. Modéliser devient alors un objectif à part entière même s'il ne faut pas le décorréler de l'objectif de mesure. Au-delà de la construction et du choix de modèle, persiste le problème, à la fois théorique et pratique, de l'évaluation de la densité de probabilité (DDP) des paramètres du modèle retenu. Une fois cette DDP estimée, il faut pouvoir propager cette information statistique jusqu'à la grandeur d'intérêt appelée mesure. Cette mesure étant une fonction non-linéaire des paramètres du modèle. Ainsi, notre travail de recherche porte sur l'estimation de la DDP de la mesure. Pour ce faire, nous proposons une première approche fondée sur les méthodes de type bootstrap. Ces méthodes de simulation comme les méthodes traditionnelles de type Monte-Carlo, requièrent un temps de calcul significatif, cependant elles aboutissent à une très bonne précision sur la caractérisation statistique des systèmes de mesure. Par ailleurs, nous avons pu vérifier que la convergence de ce type de méthodes est plus rapide que celle de la méthode de Monte-Carlo Primitive (MCP). Un avantage certain du bootstrap est sa capacité à déterminer la nature des erreurs agissant sur le système de mesure, grâce à l'estimée de la DDP empirique des erreurs. En outre, l'optimisation de la convergence peut se atteindre en utilisant des schémas de pondération sur les erreurs ou bien, un schéma modifié du bootstrap itéré. Nous proposons aussi l'utilisation d'un schéma d'estimation robuste au cas des données aberrantes. Une deuxième approche est fondée sur l'échantillonnage par les méthodes de Monte-Carlo par chaînes de Markov (MCMC), la caractérisation statistique selon ce point permet d'utiliser toute l'information a priori connue sur le système de mesure, en effectuant une reformulation du problème selon la règle de Bayes. L'échantillonnage de Gibbs et les algorithmes de Metropolis-Hastings ont été exploités dans ce travail. En ce qui concerne l'optimisation de la convergence du MCMC, on a adapté des algorithmes tels que le rééchantillonnage pondéré et le couplage de chaînes dans le temps rétrograde. En particulier, nous avons proposé un échantillonneur de Gibbs par simulation parfaite et un algorithme hybride par simulation parfaite. Une dernière approche au problème d'estimation de la mesure est construite à l'aide des méthodes d'estimation par noyaux. L'idée principale est fondée sur la caractérisation non-paramétrique de la DDP des erreurs, sachant qu'elle est inconnue...

Download or read book Estimation de la Densit de Probabilit Par Des Fonctions Orthogonales written by COLLECTIF. and published by Omniscriptum. This book was released on 2011-06 with total page 84 pages. Available in PDF, EPUB and Kindle. Book excerpt: Ce travail est une contribution au problème du choix de la méthode pour estimer la densité de probabilité. L'estimation non paramétrique de la densité de probabilité par projection orthogonale que nous présentons est une bonne alternative à la méthode populaire de l'estimateur à noyau de Parzen-Rosenblatt, quand le support des densités à estimer peut ètre contenu dans un intervalle fixe compact de la droite réelle. Dans ce cas, des systèmes orthonormaux sont disponibles tels que les bases trigonométriques.

Download or read book Estimation non param trique adaptative pour les cha nes de Markov et les cha nes de Markov cach es written by Claire Lacour and published by . This book was released on 2007 with total page 203 pages. Available in PDF, EPUB and Kindle. Book excerpt: Dans cette thèse, on considère une chaîne de Markov (Xi) à espace d'états continu que l'on suppose récurrente positive et stationnaire. L'objectif est d'estimer la densité de transition II définie par II(x,y)dy = P(Xi+1 E dy\Xi = x). On utilise la sélection de modèles pour construire des estimateurs adaptatifs. On se place dans le cadre minimax sur L2 et l'on s'intéresse aux vitesses de convergence obtenues lorsque la densité de transition est supposée régulière. Le risque intégré de nos estimateurs est majoré grâce au contrôle de processus empiriques par une inégalité de concentration de Talagrand. Dans une première partie, on suppose que la chaîne est directement observée. Deux estimateurs différents sont présentés, l'un par quotient, l'autre minimisant un contraste moindres carrés et prenant également en compte l'anisotropie du problème. Dans une deuxième partie, on aborde le cas d'observations bruitées YI, ... ,Yn+1 où Yi = Xi + ei avec (ei) un bruit indépendant de la chaîne (Xi). On généralise à ce cas les deux estimateurs précédents. Des simulations illustrent les performances des estimateurs.

Download or read book Estimation non param trique pour les processus markoviens d terministes par morceaux written by Romain Azaïs and published by . This book was released on 2013 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: M.H.A. Davis a introduit les processus markoviens déterministes par morceaux (PDMP) comme une classe générale de modèles stochastiques non diffusifs, donnant lieu à des trajectoires déterministes ponctuées, à des instants aléatoires, par des sauts aléatoires. Dans cette thèse, nous présentons et analysons des estimateurs non paramétriques des lois conditionnelles des deux aléas intervenant dans la dynamique de tels processus. Plus précisément, dans le cadre d'une observation en temps long de la trajectoire d'un PDMP, nous présentons des estimateurs de la densité conditionnelle des temps inter-sauts et du noyau de Markov qui gouverne la loi des sauts. Nous établissons des résultats de convergence pour nos estimateurs. Des simulations numériques pour différentes applications illustrent nos résultats. Nous proposons également un estimateur du taux de saut pour des processus de renouvellement, ainsi qu'une méthode d'approximation numérique pour un modèle de régression semi-paramétrique.