Estimation de la fonction de distribution conditionnelle à partir de données censurées par intervalle, cas I
|
|
- Catherine Marceau
- il y a 8 ans
- Total affichages :
Transcription
1 Estimation de la fonction de distribution conditionnelle à partir de données censurées par intervalle, cas I Sandra Plancade MAP5 Université Paris 5 5 mai 2010
2 Plan de l'exposé I) Introduction II) Dénition de l'estimateur III) Résultats
3 I) Introduction Données censurées par intervalle, cas I (ou current status data) Y R + = temps de survie X R = covariable T R + = temps d'observation δ = 1I Y T avec Y T X.
4 I) Introduction Données censurées par intervalle, cas I (ou current status data) Y R + = temps de survie X R = covariable T R + = temps d'observation δ = 1I Y T avec Y T X. On observe un échantillon i.i.d. (X i, T i, δ i = 1I Yi T i ) i=1,...,n avec Y i T i X i, i = 1,..., n.
5 But : estimer la fonction de distribution conditionnelle F (x, y) = P[Y y X = x] sur un compact A 1 A 2 R R + par sélection de modèle.
6 But : estimer la fonction de distribution conditionnelle F (x, y) = P[Y y X = x] sur un compact A 1 A 2 R R + par sélection de modèle. On considère deux risques pour l'estimateur F de F, E[ F F 2 f (X,T ) ] où g 2 f (X,T ) = g 2 (x)f (X,T ) (x)dx, E[ F F 2 n (X i, T i ) i=1,...,n ] où g 2 n = 1 n n g 2 (X i, T i ). i=1
7 But : estimer la fonction de distribution conditionnelle F (x, y) = P[Y y X = x] sur un compact A 1 A 2 R R + par sélection de modèle. On considère deux risques pour l'estimateur F de F, E[ F F 2 f (X,T ) ] où g 2 f (X,T ) = g 2 (x)f (X,T ) (x)dx, E[ F F 2 n (X i, T i ) i=1,...,n ] où g 2 n = 1 n n g 2 (X i, T i ). i=1 Notre estimateur converge à la vitesse n β/(β+1) sur les espaces de Besov anisotropes B (β1,β2) 2,..
8 II) Dénition de l'estimateur Construction d'un contraste empirique déterminé par les observations. γ n : L 2 (A 1 A 2 ) R g γ n (g) F = arg min g? γ n(g). Collection de modèles (= sev de L 2 (A 1 A 2 )). Sélection de modèles.
9 Construction du contraste E[δ (X, T ) = (x, t)] = E[1I Y T (X, T ) = (x, t)] = E[1I Y t X = x] = P[Y t X = x] = F (x, t)
10 Construction du contraste E[δ (X, T ) = (x, t)] = E[1I Y T (X, T ) = (x, t)] = E[1I Y t X = x] = P[Y t X = x] = F (x, t) δ = F (X, T ) + ɛ avec E[ɛ X, T ] = 0.
11 Construction du contraste E[δ (X, T ) = (x, t)] = E[1I Y T (X, T ) = (x, t)] = E[1I Y t X = x] = P[Y t X = x] = F (x, t) δ = F (X, T ) + ɛ avec E[ɛ X, T ] = 0. Contraste des moindres carrés γ n (g) = 1 n ( δ i g(x i, T i ) n } {{ } )2 i=1 E[ X, T ] = F (X, T ) g(x, T )
12 Estimateurs non adaptatifs La collection de modèles : les modèles sur A 1 A 2 sont construits comme produits tensoriels de modèles sur A 1 et A 2.
13 Estimateurs non adaptatifs La collection de modèles : les modèles sur A 1 A 2 sont construits comme produits tensoriels de modèles sur A 1 et A 2. On considère deux collections de modèles M (j) n ) S (j) m ( = Vect φ (j) k,m est un sev de L 2 (A j ), pour j = 1, 2., k = 1,..., D(j) m = {S (j) m, m J (j) n } où, m J (j) n
14 Estimateurs non adaptatifs La collection de modèles : les modèles sur A 1 A 2 sont construits comme produits tensoriels de modèles sur A 1 et A 2. On considère deux collections de modèles M (j) n ) S (j) m ( = Vect φ (j) k,m est un sev de L 2 (A j ), pour j = 1, 2., k = 1,..., D(j) m = {S (j) m, m J (j) n } où, m J (j) n Pour tout m = (m 1, m 2 ) J n = J (1) n J (2) n, soit ( ) S m = Vect (x, y) φ (1) k 1,m 1 (x)φ (2) k 2,m 2 (y), k 1 = 1,..., D (1) m 1, k 2 = 1,..., D (2) m 2 et M n = {S m, m = (m 1, m 2 ) J n }.
15 Estimateurs non adaptatifs La collection de modèles : les modèles sur A 1 A 2 sont construits comme produits tensoriels de modèles sur A 1 et A 2. On considère deux collections de modèles M (j) n ) S (j) m ( = Vect φ (j) k,m est un sev de L 2 (A j ), pour j = 1, 2., k = 1,..., D(j) m = {S (j) m, m J (j) n } où, m J (j) n Pour tout m = (m 1, m 2 ) J n = J (1) n J (2) n, soit ( ) S m = Vect (x, y) φ (1) k 1,m 1 (x)φ (2) k 2,m 2 (y), k 1 = 1,..., D (1) m 1, k 2 = 1,..., D (2) m 2 et M n = {S m, m = (m 1, m 2 ) J n }. Pour tout m J n, F m = arg min g S m γ n (g)
16 Sélection de modèle Pour tout m J n, presque surement, E [ F m F 2n (X ] i, T i ) i=1,...,n inf F g 2 n g S m } {{ } estimé par γ n ( F m ) + Dm n
17 Sélection de modèle Pour tout m J n, presque surement, E [ F m F 2n (X ] i, T i ) i=1,...,n inf F g 2 n g S m } {{ } estimé par γ n ( F m ) m = arg min m J n { γ n ( F m ) + A D } m n + Dm n
18 Récapitulatif Nous avons contruit un contraste empirique γ n. Nous avons déni une collection {S m, m J n }, et F m = arg min g S m γ n (g). Nous avons sélectionné un modèle m.
19 Récapitulatif Nous avons contruit un contraste empirique γ n. Nous avons déni une collection {S m, m J n }, et F m = arg min g S m γ n (g). Nous avons sélectionné un modèle m. Notre estimateur est F m.
20 Inégalités oracle Théorème E [ F m F 2n (X ] i, T i ) i=1,...,n C inf m J n { inf F g 2 n + A D } m + C g S n m n } {{ } E [ F m F 2n (X ] i, T i ) i=1,...,n
21 Inégalités oracle Théorème E [ F m F 2n (X ] i, T i ) i=1,...,n C inf m J n { inf F g 2 n + A D } m + C g S n m n } {{ } E [ F m F 2n (X ] i, T i ) i=1,...,n Théorème Supposons que pour tout m J n, D m n/ log n, ] { E [ F m F 2f(X,T ) C inf inf F g 2 f m J n g S (X,T ) + A D } m m n } {{ } ] E [ F m F 2f(X,T ) + C n
22 Vitesse de convergence sur les espaces de Besov Soit B (β1,β2) 2, (L) la boule de rayon L d'un espace de Besov anisotrope.
23 Vitesse de convergence sur les espaces de Besov Soit B (β1,β2) 2, (L) la boule de rayon L d'un espace de Besov anisotrope. Proposition Si F B (β1,β2) 2, (L), avec β 1, ] E [ F m F 2f(X,T ) Cn 2β/(2β+2) où 2 β = 1 β β 2. De plus, l'estimateur F m atteint la vitesse minimax.
24 Bibliographie P. Groeneboom and J.A. Wellner, Information bounds and nonparametric maximum likelihood estimation, DMV seminar (1992) S. Van de Geer, Hellinger consistency of certain nonparametric maximum likelihood estimators, Ann. Statist. (1993) M. Hudgens et al, Nonparametric estimation of the joint distribution of a survival time subject to interval censoring and a continuous times variable, Harmon. Anal., (2007) M. J. Van der Laan and A. Van der Vaart, Estimating a survival distribution with current status data and high dimensionnal covariates, Int. J. Biostat. (2006) E. Brunel and F. Comte, Cumulative distribution function under interval censoring case 1, Electro. J. Stat., (2009) S. Ma and M. R. Kosorok, Adaptive penalised M-estimation with current status data, Ann. Instit. Statist. Math. (2006)
25 Conclusion Etude minimax sur des espaces de régularité Généralisable à X R 2, R 3,... Problème pour généraliser à des covariables de grande dimension Autre méthode d'estimation de fonction de régression
Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailUNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES. Éric TÉROUANNE 1
33 Math. Inf. Sci. hum., (33 e année, n 130, 1995, pp.33-42) UNE REPRESENTATION GRAPHIQUE DE LA LIAISON STATISTIQUE ENTRE DEUX VARIABLES ORDONNEES Éric TÉROUANNE 1 RÉSUMÉ Le stéréogramme de liaison est
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCurriculum Vitae. 1. Formation
Curriculum Vitae Fabienne COMTE, 47 ans Adresse Professionnelle : Laboratoire MAP5, UMR CNRS 8145, UFR Mathématique et Informatique, Université Paris 5, 45 rue des Saints-Pères, 75270 Paris cedex 06. Tel.
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailKeywords: Probability of catastrophic events, Bivariate extreme value theory, Heavy tailed distributions, ALS methods.
E Laurence Lescourret & Christian Y. Robert Centre de Recherche en Economie et Statistique LaboratoiredeFinanceetd Assurance 5 Boulevard Gabriel Peri, 92245 Malakoff Résumé: De par leur nature, les événements
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailMATH0062-1 ELEMENTS DU CALCUL DES PROBABILITES
MATH0062-1 ELEMENTS DU CALCUL DES PROBABILITES REPETITIONS et PROJETS : INTRODUCTION F. Van Lishout (Février 2015) Pourquoi ce cours? Sciences appliquées Modélisation parfaite vs monde réel Comment réussir
Plus en détailAgathe Guilloux LSTA - Université Pierre et Marie Curie (UPMC) Boîte courrier 158 4 place Jussieu, 75252 Paris cedex 05
Agathe Guilloux LSTA - Université Pierre et Marie Curie (UPMC) Boîte courrier 158 4 place Jussieu, 75252 Paris cedex 05 email : agathe.guilloux@upmc.fr www : http://www.lsta.upmc.fr/guilloux.php Née à
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailMedication management ability assessment: results from a performance based measure in older outpatients with schizophrenia.
Medication Management Ability Assessment (MMAA) Patterson TL, Lacro J, McKibbin CL, Moscona S, Hughs T, Jeste DV. (2002) Medication management ability assessment: results from a performance based measure
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailRetournement Temporel
Retournement Temporel Rédigé par: HENG Sokly Encadrés par: Bernard ROUSSELET & Stéphane JUNCA 2 juin 28 Remerciements Je tiens tout d'abord à remercier mes responsables de mémoire, M.Bernard ROUSSELET
Plus en détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
Plus en détailUNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE
UNIVERSITÉ DU QUÉBEC À MONTRÉAL TESTS EN ÉCHANTILLONS FINIS DU MEDAF SANS LA NORMALITÉ ET SANS LA CONVERGENCE MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIE PAR MATHIEU SISTO NOVEMBRE
Plus en détailQui et quand opérer. au cours du traitement de l EI?
Qui et quand opérer au cours du traitement de l EI? Gilbert Habib Département de Cardiologie - Timone Marseille 7es JNI Bordeaux, 8 juin 2006 Université de la Méditerranée Faculté de Médecine de Marseille
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailPolar. Nouveautés Polar
Polar Nouveautés Polar POLAR ELECTRO Fondé en 1977 Premier moniteur de fréquence cardiaque sans fil au monde Travail en collaboration avec les plus grands instituts sportifs & universités Reconnu comme
Plus en détailChristophe SANNIER christophe.sannier@sirs-fr.com
Systèmes d Information à Référence Spatiale Utilisation d un Estimateur de Régression avec des Données Landsat pour l Estimation de l Etendu et des Changements du Couvert Forestier du Gabon de 1990 à 2010
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailApplication des courbes ROC à l analyse des facteurs pronostiques binaires
Application des courbes ROC à l analyse des facteurs pronostiques binaires Combescure C (1), Perneger TV (1), Weber DC (2), Daurès J P (3), Foucher Y (4) (1) Service d épidémiologie clinique et Centre
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailProspective: Champ de gravité, méthodes spatiales
Prospective: Champ de gravité, méthodes spatiales Richard Biancale Conseil Scientifique du GRGS Observatoire de Paris, 10 avril 2008 L état de l art des modèles CHAMP: modèles 50 fois moins précis que
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailLa méthode des éléments finis et le contrôle des calculs
Table des matières Techniques Avancées en Calcul des Structures Cours d option La méthode des éléments finis et le contrôle des calculs J.-P. Pelle ENS - Cachan Master MIS Parcours TACS Année universitaire
Plus en détailSurveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Plus en détailProduits d espaces mesurés
Chapitre 7 Produits d espaces mesurés 7.1 Motivation Au chapitre 2, on a introduit la mesure de Lebesgue sur la tribu des boréliens de R (notée B(R)), ce qui nous a permis d exprimer la notion de longueur
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailCalculating Greeks by Monte Carlo simulation
Calculating Greeks by Monte Carlo simulation Filière mathématiques financières Projet de spécialité Basile Voisin, Xavier Milhaud Encadré par Mme Ying Jiao ENSIMAG - Mai-Juin 27 able des matières 1 Remerciements
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailFORD FOCUS 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 17 19 20 21 9 3 1 1 6 4 2 5 7 8 10 23 25
Plus en détailAu-delà du coalescent : quels modèles pour expliquer la di
Au-delà du coalescent : quels modèles pour expliquer la diversité génétique? LPMA, Université Paris 6, CMAP Polytechnique 13 octobre 2009 A partir de travaux conjoints avec N. Berestycki, V. Limic, J.
Plus en détailOrdinateurs, Structure et Applications
Ordinateurs, Structure et Applications Cours 10, Les interruptions Etienne Tremblay Université Laval, Hiver 2012 Cours 10, p.1 Les interruptions du 8086 Une interruption interrompt l exécution séquentielle
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détail27/31 Rue d Arras 92000 NANTERRE Tél. 33.(0)1.47.86.11.15 Fax. 33.(0)1.47.84.83.67
Caractéristiques standards MODELE Puissance secours @ 50Hz Puissance prime @ 50Hz Moteur (MTU, 16V4000G61E ) Démarrage électrique, alternateur de charge 24 V, régulation Elec Alternateur (LEROY SOMER,
Plus en détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailUne introduction. Lionel RIOU FRANÇA. Septembre 2008
Une introduction INSERM U669 Septembre 2008 Sommaire 1 Effets Fixes Effets Aléatoires 2 Analyse Classique Effets aléatoires Efficacité homogène Efficacité hétérogène 3 Estimation du modèle Inférence 4
Plus en détailLA THÉORIE DES POINTS FIXES ET SES APPLICATIONS EN ANALYSE
LA THÉORIE DES POINTS FIXES ET SES APPLICATIONS EN ANALYSE JEAN LERAY Â la mémoire du profond mathématicien polonais JULES SCHAUDER, victime des massacres de 1940. I. INTRODUCTION 1. Soit (x) une application
Plus en détailPropriétés asymptotiques de quelques estimateurs non-paramétriques pour des variables vectorielles et fonctionnelles.
THÈSE DE DOCTORAT DE l'université PARIS 6 Spécialité : Mathématiques Option : Statistique présentée par Bertrand Maillot pour obtenir le grade de DOCTEUR DE l'université PARIS 6 Sujet de la thèse : Propriétés
Plus en détailORTHOPHOS XG 3 DS. Systèmes de radiographie. ORTHOPHOS XG 3 l accès facile à la panoramique numérique.
ORTHOPHOS XG 3 DS Systèmes de radiographie l accès facile à la panoramique numérique. Conception clichés panoramiques avec technologie XG. technique et design en harmonie. fiable économique 1 Profitez
Plus en détailAllocation Robuste et Restrictions sur les Contributions au Risque
Allocation Robuste et Restrictions sur les Contributions au Risque QuantValley/QMI Workshop, Geneve, 26 Septembre, 2013 http://ssrn.com/abstract=2192399 1/33 Les contributions du papier: Nous définissons
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailFPSTAT 2 í La dçecision statistique. 1. Introduction ça l'infçerence. 1
INTRODUCTION ça L'INFçERENCE STATISTIQUE 1. Introduction 2. Notion de variable alçeatoire íprçesentation ívariables alçeatoires discrçetes ívariables alçeatoires continues 3. Reprçesentations d'une distribution
Plus en détailChapitre 6 La lumière des étoiles Physique
Chapitre 6 La lumière des étoiles Physique Introduction : On ne peut ni aller sur les étoiles, ni envoyer directement des sondes pour les analyser, en revanche on les voit, ce qui signifie qu'on reçoit
Plus en détailLes effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA
Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Auteurs : Abdoulaye DIAGNE et Abdou-Aziz NIANG Introduction Ceci devrait contribuer à réduire l écart entre
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailApplication of Current-Status Survival Analysis Methodology to Estimation of Age at First Sex: Uganda
Application of Current-Status Survival Analysis Methodology to Estimation of Age at First Sex: Uganda Leonard K. Atuhaire 1 ABSTRACT Computing quantiles of age at first sex using only recalled age at first
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailPlan. 5 Actualisation. 7 Investissement. 2 Calcul du taux d intérêt 3 Taux équivalent 4 Placement à versements fixes.
Plan Intérêts 1 Intérêts 2 3 4 5 6 7 Retour au menu général Intérêts On place un capital C 0 à intérêts simples de t% par an : chaque année une somme fixe s ajoute au capital ; cette somme est calculée
Plus en détailNon-réponse et données manquantes. Sylvie Rousseau & Gilbert Saporta décembre 2011
Non-réponse et données manquantes Sylvie Rousseau & Gilbert Saporta décembre 2011 1 EXEMPLES DE TAUX DE RÉPONSE À CERTAINES ENQUÊTES Pour les enquêtes auprès des entreprises, le taux de non-réponse est
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailMATHÉMATIQUES FINANCIÈRES
MATHÉMATIQUES FINANCIÈRES Table des matières Version 2012 Lang Fred 1 Intérêts et taux 2 1.1 Définitions et notations................................ 2 1.2 Intérêt simple......................................
Plus en détailSession : Coût du capital
Session : Coût du capital 1 Objectifs Signification du coût du capital Mesure du coût du capital Exemple illustratif de calcul du coût du capital. 2 Capital fourni par les actionnaires ou les banques L
Plus en détailSECURIT GSM Version 2
EOLE informatique SECURIT GSM Version 2 Notice d installation & Guide utilisateur Eole informatique 42 rue Claude Decaen -75012 Paris Tél. 01.43.43.00.97 www.eole-informatique.com 15/03/2006 SOMMAIRE Notice
Plus en détailINTRODUCTION. 1 k 2. k=1
Capes externe de mathématiques : session 7 Première composition INTRODUCTION L objet du problème est l étude de la suite (s n n définie par : n, s n = Dans une première partie, nous nous attacherons à
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailCS-DRMS. Enhancing Functionalities. Commonwealth Secretariat Debt Management Forum London, June 2008. De l Ouest. Centrale
CS-DRMS Enhancing Functionalities Commonwealth Secretariat Debt Management Forum London, June 2008 Banque des Etats de l Afrique Debt Management Capacity Building Programme Initiated in 1985 as the Commonwealth
Plus en détailGrégoire de Lassence. Copyright 2006, SAS Institute Inc. All rights reserved.
Grégoire de Lassence 1 Grégoire de Lassence Responsable Pédagogie et Recherche Département Académique Tel : +33 1 60 62 12 19 gregoire.delassence@fra.sas.com http://www.sas.com/france/academic SAS dans
Plus en détail