trier par
Copyright © 2023 ABES / OCLCListe des résultats | Notice détaillée | Où trouver ce document ?  
Recherche (PPN) 18447423X | 1 résultat(s)

Prêt Entre Bibliothèques Prêt
Photocopie

Services  
1

Thèses (version de soutenance)

Identifiant pérenne de la notice : 
 
 
 
Type(s) de contenu (modes de consultation) :
Texte (informatique)
Type de support matériel :
Ressource dématérialisée
 
Titre : 
Mémoire ou thèse (version d'origine)
Alphabet du titre : 
Latin
Auteur(s) : 
Lepski, Oleg V. (1958-....). Directeur de thèse
Tsybakov, Alexandre B.. Président du jury de soutenance
Pouet, Christophe. Membre du jury
Aix-Marseille Université (2012-....). Organisme de soutenance
Date(s) : 
2014
Langue(s) : 
anglais, français
Pays : 
France
Production :
Description : 
Données textuelles
Num. national de thèse :
2014AIXM4716
Accès en ligne : 
Accès au texte intégral
 
 
Thèse : 
Notes :
Titre provenant de l'écran-titre. - Ecole(s) Doctorale(s) : Ecole Doctorale Mathématiques et Informatique de Marseille (Marseille). - Autre(s) contribution(s) : Alexandre B. Tsybakov (Président du jury) ; Patricia Reynaud-Bouret, Christophe Pouet (Membre(s) du jury) ; Dominique Picard, Marc Hoffmann (Rapporteur(s))
 
 
Format(s) du document : 
PDF
Configuration requise : 
Configuration requise : un logiciel capable de lire un fichier au format : PDF
 
Résumé(s) : 
À partir des observations Z(n) = {(Xi, Yi), i = 1, ..., n} satisfaisant Yi = f(Xi) + ζi, nous voulons reconstruire la fonction f. Nous évaluons la qualité d'estimation par deux critères : le risque Ls et le risque uniforme. Dans ces deux cas, les hypothèses imposées sur la distribution du bruit ζi serons de moment borné et de type sous-gaussien respectivement. En proposant une collection des estimateurs à noyau, nous construisons une procédure, qui est initié par Goldenshluger et Lepski, pour choisir l'estimateur dans cette collection, sans aucune condition sur f. Nous prouvons ensuite que cet estimateur satisfait une inégalité d'oracle, qui nous permet d'obtenir les estimations minimax et minimax adaptatives sur les classes de Hölder anisotropes.
 
From the observation Z(n) = {(Xi, Yi), i = 1, ..., n} satisfying Yi = f(Xi) + ζi, we would like to approximate the function f. This problem will be considered in two cases of loss function, Ls-risk and uniform risk, where the condition imposed on the distribution of the noise ζi is of bounded moment and of type sub-gaussian, respectively. From a proposed family of kernel estimators, we construct a procedure, which is initialized by Goldenshluger and Lepski, to choose in this family a final estimator, with no any assumption imposed on f. Then, we show that this estimator satisfies an oracle inequality which implies the minimax and minimax adaptive estimation over the anisotropic Hölder classes.
 
 
 
Titre(s) traduit(s) ajouté(s) par le catalogueur : 
Adaptation via oracle inequality in regression model with random design (anglais)
 
Sujets : 
Forme ou Genre : 
 
Liens externes
Portail des thèses :