Andere Kunden interessierten sich auch für
![Modélisation variationnelle par homogénéisation stochastique]( "Modélisation variationnelle par homogénéisation stochastique")
Modélisation variationnelle par homogénéisation stochastique44,99 €![Techniques d'immersion pour l'estimation non linéaire]( "Techniques d'immersion pour l'estimation non linéaire")
Techniques d'immersion pour l'estimation non linéaire62,99 €![Propriété de décomposition stochastique dans les systèmes avec rappels]( "Propriété de décomposition stochastique dans les systèmes avec rappels")
Propriété de décomposition stochastique dans les systèmes avec rappels46,99 €![Optimisation Stochastique sous Contrainte de Risque]( "Optimisation Stochastique sous Contrainte de Risque")
Optimisation Stochastique sous Contrainte de Risque32,99 €![Optimisation Mono et Multi Objectif par les Algorithmes Bio-Inspirés]( "Optimisation Mono et Multi Objectif par les Algorithmes Bio-Inspirés")
Optimisation Mono et Multi Objectif par les Algorithmes Bio-Inspirés42,99 €![Ondelettes pour la modélisation et simulation numérique]( "Ondelettes pour la modélisation et simulation numérique")
Ondelettes pour la modélisation et simulation numérique44,99 €![La convergence des modularités structurelles et fonctionnelles]( "La convergence des modularités structurelles et fonctionnelles")
La convergence des modularités structurelles et fonctionnelles32,99 €
L'objectif de cette thèse est d'appliquer les méthodes d'approximations stochastiques a l'estimation de la densité et de la régression. Dans le premier chapitre, nous construisons un algorithme stochastique a pas simple qui définit toute une famille d'estimateurs récursifs a noyau d'une densité de probabilité. Nous étudions les différentes propriétés de cet algorithme. En particulier, nous identifions deux classes d'estimateurs ; la première correspond a un choix de pas qui permet d'obtenir un risque minimal, la seconde une variance minimale. Dans le second chapitre, nous nous intéressons a l'estimateur proposé par Révész pour estimer une fonction de régression. Son estimateur, construit à l'aide d'un algorithme stochastique à pas simple, a un gros inconvénient : les hypothèses sur la densité marginale de X nécessaires pour établir la vitesse de convergence sont plus fortes que celles habituellement requises pour étudier le comportement asymptotique. Nous montrons comment l'application du principe de moyennisation des algorithmes stochastiques permet, de construire un estimateur récursif qui possède de bonne propriétés asymptotiques.