Tests d’hypothèses statistiquement et algorithmiquement efficaces de similarité et de dépendance

Résumé : Cette thèse présente de nouveaux tests d’hypothèses statistiques efficaces pour la relative similarité et dépendance, et l’estimation de la matrice de précision. La principale méthodologie adoptée dans cette thèse est la classe des estimateurs U-statistiques.Le premier test statistique porte sur les tests de relative similarité appliqués au problème de la sélection de modèles. Les modèles génératifs probabilistes fournissent un cadre puissant pour représenter les données. La sélection de modèles dans ce contexte génératif peut être difficile. Pour résoudre ce problème, nous proposons un nouveau test d’hypothèse non paramétrique de relative similarité et testons si un premier modèle candidat génère un échantillon de données significativement plus proche d’un ensemble de validation de référence.La deuxième test d’hypothèse statistique non paramétrique est pour la relative dépendance. En présence de dépendances multiples, les méthodes existantes ne répondent qu’indirectement à la question de la relative dépendance. Or, savoir si une dépendance est plus forte qu’une autre est important pour la prise de décision. Nous présentons un test statistique qui détermine si une variable dépend beaucoup plus d’une première variable cible ou d’une seconde variable.Enfin, une nouvelle méthode de découverte de structure dans un modèle graphique est proposée. En partant du fait que les zéros d’une matrice de précision représentent les indépendances conditionnelles, nous développons un nouveau test statistique qui estime une borne pour une entrée de la matrice de précision. Les méthodes existantes de découverte de structure font généralement des hypothèses restrictives de distributions gaussiennes ou parcimonieuses qui ne correspondent pas forcément à l’étude de données réelles. Nous introduisons ici un nouveau test utilisant les propriétés des U-statistics appliqués à la matrice de covariance, et en déduisons une borne sur la matrice de précision.
Type de document :
Thèse
Autre. Université Paris-Saclay, 2017. Français. 〈NNT : 2017SACLC002〉
Liste complète des métadonnées

Littérature citée [127 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01523869
Contributeur : Abes Star <>
Soumis le : mercredi 17 mai 2017 - 12:03:09
Dernière modification le : lundi 10 septembre 2018 - 12:24:52

Fichier

74649_BOUNLIPHONE_2017_diffusi...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01523869, version 2

Citation

W. Bounliphone. Tests d’hypothèses statistiquement et algorithmiquement efficaces de similarité et de dépendance. Autre. Université Paris-Saclay, 2017. Français. 〈NNT : 2017SACLC002〉. 〈tel-01523869v2〉

Partager

Métriques

Consultations de la notice

364

Téléchargements de fichiers

245