Avis de Soutenance de Doctorat en Sciences en Mathématiques de Madame Ait Mohammed Noura
Madame Noura Ait Mohammed soutiendra sa thèse de Doctorat en Sciences en Mathématiques, option: Probabilités & Statistique, le jeudi 21 septembre 2023 à 09h30.
Lieu : Salle de soutenance de la Faculté des Sciences
Intitulé de la thèse :
Inférence dans un modèle autorégressif avec tendance et à contaminations multiples : Approche Bayésienne
Devant le jury d’examen composé de :
| Hocine FELLEG | Professeur | UMMTO | Président |
| Hafida GUERBYENNE | Professeur | USTHB | Directrice de thèse |
| Lynda ATIL | MCA | UMMTO | Examinatrice |
| Fazia BEDOUHENE | Professeur | UMMTO | Examinatrice |
| Ourida SADKI | Professeur | USTHB | Examinatrice |
| Nabil ZOUGAB | Professeur | Univ-Bejaia | Examinateur |
Le public est cordialement invité
Réf : Décision de soutenance N°50/VRPGRS/2023 du 04/07/2023
Télécharger : Avis-de-soutenance-Doctorat Ait Mohammed Noura
Résumé de la thèse
Deux types de contaminations pouvant affecter des données d’observation sont consideŕees dans cette thèse : les contaminants additifs (AO) et les contaminants innovants (IO). Nous avons généralisé les deux types de contaminations AO et IO au cas multiple pour un modèle autorégressif d’ordre p avec une tendance de régression. Nous adoptons l’approche bayésienne et l’échantillonnage de Gibbs pour estimer d’abord les param`etres du mod`ele et les ampli- tudes des contaminants, ensuite nous utilisons un test basé sur les p-values et d’autres crit`eres de discrimination bayésiens pour détecter la position des deux types de contaminants. Une
étude de simulation intensive est présentée pour illustrer la performance de la méthode par rapport à l’estimation par maximum de vraisemblance, principalement pour des échantillons de petite taille. La prévision d’une valeur future est donnée. Notre méthode est appliquée
un ensemble de données réelles.
Mots clés: Échantillonnage de Gibbs; valeurs aberrantes additives multiples; valeurs aberrantes innovantes multiples; modèle autorégressif; analyse bayésienne; détection des valeurs aberrantes.
Thesis summary
Two types of outliers that may occur in data are considered in this thesis: additive outliers (AO) and innovational outliers (IO). We have generalized the two types of contaminations AO and IO to the multiple case for an autoregressive model of order p with a regression trend. We adopt the Bayesian approach combined with Gibbs sampling to jointly estimate the model parameters and the outliers on the first hand, and on the other hand we use a test based on p-values and other discrimination Bayesian criteria to detect the location and the magnitude of the two types of outliers. An intensive simulation study is presented for illus- trating the performance of the method relative to maximum likelihood estimation, mainly for small sample sizes. The prediction of a future value is given. Our method is applied to a real data set.
Keywords : Gibbs sampling; multiple additive outliers; multiple innovational outliers; au- toregressive model; bayesian analysis; outliers detection.