S'abonner à l'agenda

S'abonner au séminaire

Ajouter cette URL aux abonnements de votre calendrier électronique :
https://irma.math.unistra.fr/cal/seminaire-statistique.ics
Fermer

Séminaire Statistique

organisé par l'équipe Statistique

  • Frédéric Ferraty

    Average derivative projection pursuit regression

    10 février 2015 - 14:00Salle de séminaire 418

  • Alexandru Amarioarei

    Approximations for the distribution of scan statistics and applications

    17 février 2015 - 14:00Salle de séminaire 418

  • Samuel Maistre

    Un test d'adéquation à un modèle de régression

    3 mars 2015 - 14:00Salle de séminaire 418

  • Basile De Loynes

    Marches aléatoires persistantes : récurrence, transience, principe d'invariance

    7 avril 2015 - 14:00Salle de séminaire 418

  • Vincent Brault

    Modèle des blocs latents : entre théorie et pratique

    6 octobre 2015 - 14:00Salle de séminaire 418

    Quels mots apparaissent plus dans les oeuvres de Charles Baudelaire que dans celles de Victor Hugo ? Les films de science-fiction sont-ils plus proches des films romantiques que ceux d'action ? Utilise-t-on la même partie du cerveau pour apprendre une langue étrangère et les tables de multiplication ? Les armoiries de la ville de Marseille ressemblent-elles plus à celles de Paris qu'à celles de Lyon ? Quels sont les gènes qui réagissent de la même façon suivant différents stress ? Les chiens ont-ils plus de points communs avec les chats qu'avec les loups ? Les politiciens sont-ils tous semblables ? Comment se forment les groupes sur les réseaux sociaux ? Ces quelques questions montrent l'étendue du champ d'applications du modèle des blocs latents. Le principe est de mettre en relation des objets (par exemple des livres, des films...) et des caractéristiques (le nombre de mots, le public...) puis de chercher une structure jointe pour obtenir des groupes. Durant cet exposé, nous présentons le modèle et les résultats théoriques obtenus récemment comme la normalité asymptotique de l'estimateur du maximum de vraisemblance et la consistance des paramètres estimés par l'adaptation de l'algorithme Largest Gaps utilisé par Channarond et al. (2012) dans le cadre des modèles de graphes aléatoires. D'un point de vue pratique, nous présentons l'algorithme V-Bayes et l'échantillonneur de Gibbs (Keribin et al., 2014), deux algorithmes bayésiens, utilisés pour l'estimation des paramètres du modèle. Afin d'estimer le nombre de classes, nous proposons également une adaptation du critère ICL (Integrated Complete Likelihood) étudié par Biernacki et al. (2000) dans le cadre des modèles de mélange classiques. Enfin, nous appliquons la procédure obtenue sur des données réelles : des blasons mérovingiens (Leredde et Perin, 1980) et des votes du parlement américain (Wyse et Friel, 2010).

  • Fabien Navarro

    Estimateurs de seuillage par blocs

    13 octobre 2015 - 14:00Salle de séminaire 418

  • Erwan Scornet

    Promenade en forêts aléatoires

    20 octobre 2015 - 14:00Salle de séminaire 418

  • Souhil Chakar

    Segmentation de processus avec un bruit autorégressif

    10 novembre 2015 - 14:00Salle de séminaire 418

  • Charles-Elie Rabier

    Processus Gaussiens et de Chi Deux pour la detection de genes

    17 novembre 2015 - 14:00Salle de séminaire 418

  • Tom Rohmer

    Test non paramétrique de détection de rupture dans la copule d'observations multivariées avec changement dans les lois marginales; Illustration des méthodes et simulations de Monte Carlo

    24 novembre 2015 - 14:00Salle de séminaire 418

  • Ester Mariucci

    Équivalence asymptotique entre une expérience associée à un processus de Lévy à sauts purs et un bruit blanc gaussien

    1 décembre 2015 - 14:00Salle de séminaire 418

    Nous présentons un résultat d'équivalence asymptotique globale, au sens de Le Cam, entre les expériences associées à l'observation discrète (haute fréquence) ou continue d'un processus de Lévy à sauts purs et un modèle de bruit blanc gaussien observé jusqu'à un temps $T$ qui tend vers l'infini. Ici, le paramètre d'intérêt est la densité de Lévy. Après avoir discuté des grandes lignes de la preuve, nous verrons comme des idées apparaissant dans la démonstration de ce résultat s'avèrent être utiles pour obtenir une extension du résultat bien connu sur l'équivalence entre un modèle à densité et un modèle de bruit blanc gaussien. Notre extension consiste à élargir la classe non paramétrique des densités possibles. Plus précisément, nous pouvons considérer des densités définies sur n'importe quel sous-intervalle de $\R$ aussi bien que des densités discontinues ou non bornées. Les deux résultats sont constructifs: toutes les équivalences asymptotiques sont établies en construisant des noyaux de Markov.