Méthode de σ-clipping par point fixe pour l'estimation de la distribution sous H0 dans le cadre de tests multiples (original) (raw)

Dans le cadre des procédures de type tests multiples (imagerie médicale, astronomie, données génétiques, etc), il est nécessaire de modéliser l'hypothèse nulle H0 qui représente le cas où "le phénomène d'intérêt est absent", i.e. il n'y a que du bruit. De nombreux travaux [3, 4, 5] ont mis en évidence le fait que, même sous H0, les données traitées ne sont pas exactement distribuées selon le modèle théorique utilisé. Il s'avère alors nécessaire d'estimer la distribution sous H0 à partir des données elles-même afin de corriger le modèle et d'obtenir des procédures de test plus fiables et plus puissantes. Une telle estimation doit être robuste face à la présence potentielle du phénomène/signal d'intérêt (hypothèse alternative H1) parmi les multiples observations. Nous proposons dans ce papier une nouvelle méthode d'estimation des paramètres de moyenne et de variance sous l'hypothèse nulle H0. Nous montrons une comparaison des performances par rapport à des méthodes issues de la littérature dans le cas de champs aléatoires gaussiens dont la moyenne et la variance sont a priori inconnues.

La méthode multipôle appliquée au calcul du champ proche

2003

Les applications de post-traitement en electromagnetisme utilisent souvent le calcul des champs en zone proche ou lointaine. Dans ce document, nous nous interessons au calcul des champs proches par la formulation des equations integrales dans le cas d'objets axisymetriques. A partir de la connaissance des courants a la surface d'un objet, il s'agit de determiner les champs crees par cet objet sur son entourage. Nous avons utilise pour cela la methode multipole, connue pour calculer rapidement des produits matrice-vecteur dans le cadre des equations de Maxwell. Son efficacite est validee sur de nombreux exemples par rapport a une methode classique. Le gain obtenu est d'autant plus interessant qu'il va nous permettre de reduire considerablement le temps d'execution du logiciel de couplage d'Alcatel Space qui necessite de nombreux calculs d'interactions proches.

Évaluation ponctuelle et espace de Hardy : le cas multi-échelle

Comptes Rendus Mathematique, 2005

Reçu le 3 janvier 2005 ; accepté le 3 février 2005 Présenté par Jean-Pierre Kahane Résumé Nous définissons une évaluation ponctuelle pour les fonctions de transfert de systèmes causaux dissipatifs multi-échelle. Nous associons à de tels systèmes un espace de type de Branges Rovnyak, qui sert d'espace d'état pour une réalisation coisométrique de la fonction de transfert. Nous sommes dans un cadre où les « constantes » et les variables non commutatives commutent d'une certaine manière. Pour citer cet article : D. Alpay et al., C. R. Acad. Sci. Paris, Ser. I 340 (2005).  2005 Académie des sciences. Publié par Elsevier SAS. Tous droits réservés. Abstract Point evaluation and Hardy space: the multiscale case. We define a point evaluation for transfer operators of multiscale causal dissipative systems. We associate to such a system a de Branges Rovnyak space, which serves as the state space of a coisometric realization. To cite this article: D. Alpay et al., C. R. Acad. Sci. Paris, Ser. I 340 (2005).  2005 Académie des sciences. Publié par Elsevier SAS. Tous droits réservés. Adresses e-mail : dany@math.bgu.ac.il (D. Alpay), dijksma@math.rug.nl (A. Dijksma), danvolok@hotmail.com (D. Volok). 1631-073X/$ -see front matter  2005 Académie des sciences. Publié par Elsevier SAS. Tous droits réservés.

Estimation d'un mélange de distributions alpha-stables à partir de l'algorithme EM

Le modèle Gaussien est souvent utilisé dans de nombreuses applications. Cependant, cette hypothèse est réductrice. Par exemple, il est possible que les données fournies par des capteurs ne soient pas symétriques et/ou présentent une décroissance rapide au niveau de la queue de la distribution. De plus, il est rare que la densité de probabilité représentant les données soit unimodale. Il existe des algorithmes permettant l'estimation d'un mélange de distributions. L'algorithme Espérance-Maximisation (EM) permet entre autre d'estimer un mélange de distributions Gaussiennes. Nous proposons dans ce papier d'étendre l'algorithme EM pour estimer un mélange de distributions α-stables. Un des objectifs futurs de ce papier est d'appliquer la notion de fonctions de croyance continues sachant que les informations fournies par les sources peuventêtre modélisées par un mélange de densité de probabilité αstables.

Loading...

Loading Preview

Sorry, preview is currently unavailable. You can download the paper by clicking the button above.