Séance Séminaire

Soutenances de thèses

Régression non paramétrique pour variables fonctionnelles

Composition du jury:
M Alain BERLINET : Directeur de thèse
M André MAS : Co-Directeur de thèse
Mme Sophie DABO-NIANG : Rapporteur
M Besnik PUMO : Rapporteur
M Frédéric FERRATY : Examinateur


Résumé:
Cette thèse se décompose en quatre parties auxquelles s'ajoute une présentation. Dans un premier temps, on expose les outils mathématiques essentiels à la compréhension des prochains chapitres. Dans un deuxième temps, on s'interesse à la régression non paramétrique locale pour des données fonctionnelles appartenant à un espace de Hilbert. On propose, tout d'abord, un estimateur de l'opérateur de régression. La construction de cet estimateur est liée à la résolution d'un problème inverse linéaire. On établit des bornes de l'erreur quadratique moyenne (EQM) de cet estimateur en utilisant une décomposition classique. Cette EQM dépend de la fonction de petite boule de probabilité du régresseur au sujet de laquelle des hypothèses de type Gamma-variation sont posées. Dans le chapitre suivant, on reprend le travail elaboré dans le précédent chapitre en se plaçant dans le cadre de données fonctionnelles appartenant à un espace semi normé. On établit des bornes de l'EQM de l'estimateur de l'opérateur de régression. Cette EQM peut être vue comme une fonction de la fonction de petite boule de probabilité. Dans le dernier chapitre, on s'interesse à l'estimation de la fonction auxiliaire associée à la fonction de petite boule de probabilité. D'abord, on propose un estimateur de cette fonction auxiliaire. Ensuite, on établit la convergence en moyenne quadratique et la normalité asymptotique de cet estimateur. Enfin, par des simulations, on étudie le comportement de cet estimateur au voisinage de zéro.