Apprentissage des extrêmes en grande dimension
Auteur / Autrice : | Nicolas Meyer |
Direction : | Olivier Wintenberger |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques. Statistiques |
Date : | Soutenance le 08/07/2020 |
Etablissement(s) : | Sorbonne université |
Ecole(s) doctorale(s) : | École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire de probabilités, statistique et modélisation (Paris ; 2018-....) |
Jury : | Président / Présidente : Olivier Lopez |
Examinateurs / Examinatrices : Thomas Mikosch, Sebastian Engelke, Anne-Laure Fougères | |
Rapporteurs / Rapporteuses : Armelle Guillou, Johan Segers |
Mots clés
Résumé
Le but de cette thèse est de développer une approche statistique permettant d’apprendre la structure de dépendance des extrêmes dans un contexte de grande dimension. Le premier chapitre rassemble les résultats principaux concernant la théorie des valeurs extrêmes multivariées. Le deuxième chapitre est un travail conjoint avec Olivier Wintenberger. Il expose le concept de variation régulière parcimonieuse, définie via la projection euclidienne sur le simplexe, et qui étend la notion standard de variation régulière. CeMe approche introduit de la parcimonie dans l’étude des extrêmes multivariés et réduit ainsi la dimension. Le troisième chapitre est un travail en cours avec Olivier Wintenberger sur une approche statistique des vecteurs aléatoires à variation régulière parcimonieuse. L’idée de ce chapitre est de proposer une méthode qui permet d’identifier les sous-ensembles de R^d sur lesquels les valeurs extrêmes se concentrent. Enfin, le quatrième chapitre propose une discussion de l’article de Engelke and Hitz (2020) dans lequel les auteurs définissent une notion d’indépendance conditionnelle pour une loi de Pareto multivariée. On étend leur approche en s’appuyant sur l’étude du minimum des marginales d’un vecteur aléatoire à variation régulière.