Aller au contenu Aller au menu Aller à la recherche

Événements et séminaires - LSTA
Laboratoire de Statistique Théorique et Appliquée

Partenariats

Informations pratiques

La séminaire a lieu le mardi, en alternance à Jussieu (UPMC) et à Sophie Germain (Paris Diderot).

 

À Jussieu : 10h45 en salle de séminaire (201), couloir 15-16 (2 ème étage).

Plan de JussieuNouvelle fenêtre

 

Au bâtiment Sophie Germain : 12h00 en salle 2015 (2 ème étage).

Prendre le grand escalier à droite en entrant ...

» En savoir +

Chiffres-clé

Chiffres

17 enseignants-chercheurs

18 doctorants

3 personnels administratifs

 

A voir

Nouvelle fenêtre

 

Nouvelle fenêtre

 

    Nouvelle fenêtre

Nouvelle fenêtre

07/03/2017 - E. Vernet (Cambridge)

Séminaire Commun de Statistique P6-P7

10h45 à Jussieu dans la salle de séminaire du LSTA, Tour 15-16 – 2 ème étage.
Garanties asymptotiques dans les modèles de Markov cachés Bayésiens non paramétriques

Les modèles de Markov cachés sont très utilisés en pratique, comme en génomique, reconnaissance de parole, économétrie... Une chaîne de Markov cachée est un processus stochastique à temps discret (X_t,Y_t) où la suite (X_t) est une chaîne de Markov que l'on n'observe pas, et la suite (Y_t) est une version bruitée de (X_t) que l'on observe. Plus précisément, sachant les états cachés X_t, les observations Y_t sont indépendantes avec Y_t ne dépendant que de X_t. Un intérêt récent pour les modèles de Markov cachés non paramétriques est apparu dans les applications. Or les modèles de Markov cachés non paramétriques ont peu été étudiés en théorie. Lors de cet exposé, je m'intéresserai à ces modèles dans le cas où l'ensemble des états cachés serade cardinal fini et connu. Les lois d'émission (i.e. les lois de Y_t sachant X_t=1, X_t=2, …) ne seront pas contraintes d'appartenir à un espacede dimension finie. Je m'attacherai à présenter des garanties théoriques sur le comportement de la loi a posteriori dans ces modèles. Une des difficultés associées à ces modèles est de comprendre comment la loi marginale des observations (la vraisemblance) est liée aux paramètres. Dans cet exposé, je commencerai par exposer des hypothèses garantissant une estimation consistante, ou à vitesse minimax, de la loi marginale des observations. J'expliquerai ensuite comment en déduire des résultats sur l'estimation des paramètres (ou des fonctions des paramètres), par exemple sur l'estimation des lois d'émission.