Date/heure
Date(s) - 29/11/2024
11 h 00 - 12 h 00
Emplacement
CNAM, accès 33, salle 33.3.20
Catégories
Speaker: Paula Brito (Université de Porto)
Title: Modèles Sparses Robustes et Détection d’Observations Atypiques pour les Données Distributionnelles Multivariées
Abstract: Le modèle classique de représentation des données devient trop restrictif lorsque les données à analyser ne sont pas des nombres réels, mais comprennent de la variabilité. C’est le cas lorsque les unités analysées ne sont pas des éléments isolés, mais des groupes formés sur la base de certaines propriétés communes, et que la variabilité observée au sein de chaque groupe doit être prise en compte. Dans cet exposé, nous nous intéressons aux données numériques distributionnelles, où, pour chaque variable, les unités sont décrites par des distributions empiriques. Chaque distribution est représentée par une mesure de localisation et des intervalles interquantiles, pour un ensemble de quantiles choisis. On considère une distribution Gaussienne multivariée pour l’ensemble de ces indicateurs, avec des configurations restreintes alternatives pour la matrice de covariance. À partir de ce modèle, nous proposons une méthode de détection d’observations atypiques multivariées. La méthode est basée sur la distance de Mahalanobis, calculée avec un estimateur robuste et sparse de la matrice de précision. Une étude de simulation, ainsi que l’application à des données réelles, mettent en évidence l’utilité de la méthode.