Quelques contributions aux méthodes de Monte Carlo en statistique.
Auteur / Autrice : | Charly Andral |
Direction : | Christian Robert, Randal Douc |
Type : | Projet de thèse |
Discipline(s) : | Sciences |
Date : | Inscription en doctorat le 01/10/2020 |
Etablissement(s) : | Université Paris sciences et lettres |
Ecole(s) doctorale(s) : | SDOSE Sciences de la Décision, des Organisations, de la Société et de l'Echange |
Partenaire(s) de recherche : | Laboratoire : Centre de Recherche en Mathématiques de la Décision |
établissement opérateur d'inscription : UNIVERSITE PARIS DAUPHINE - PSL |
Résumé
Les méthodes de Monte Carlo sont largement utilisées en statistique pour estimer des quantités qui ne peuvent pas être calculées analytiquement. Dans cette thèse, nous étudions diverses approches pour améliorer l'efficacité des méthodes de Monte Carlo et établir des liens entre différentes techniques. Dans la première partie, nous relions les méthodes de Monte Carlo par chaînes de Markov avec l'échantillonnage par rejet et l'échantillonnage préférentiel pour proposer un nouvel algorithme, l'Importance Markov Chain. Pour cet algorithme, nous fournissons une analyse théorique de ses propriétés de convergence en établissant une loi des grands nombres, un théorème central limite et un résultat d'ergodicité géométrique. Nous présentons également une étude numérique pour illustrer la performance de l'Importance Markov Chain. Dans la deuxième partie, nous combinons les flots normalisants avec les méthodes de quasi-Monte Carlo randomisées pour améliorer le taux de convergence de l'estimateur. Nous testons notre méthode sur quelques exemples et montrons qu'elle peut surpasser les méthodes de Monte Carlo standard sur des problèmes de faible dimension. Cependant, la performance de la méthode diminue lorsque la dimension du problème augmente. Dans la troisième et dernière partie, nous couvrons une autre classe de méthodes de Monte Carlo, les processus de Markov déterministes par morceaux. Nous proposons un nouvel algorithme pour échantillonner à partir de ces processus et fournissons une preuve théorique de la validité de la méthode. Nous fournissons plusieurs expériences numériques pour illustrer la performance de l'algorithme. Il surpasse les autres algorithmes d'échantillonnage PMDP en termes de coût computationnel et de robustesse lorsque le potentiel n'est pas convexe.