Part2Chap1 - Etienne Roquain`s
Transcription
Part2Chap1 - Etienne Roquain`s
Elements de cutie I Estimation : double muddle line Chapitre Chapitne 1 : 2 : Chapitre 3 : Introduction Selection de modete stohishquemdthimah.queengeandeowmensianematietienne.roquain@upmc.frR0QUAINE.P ( ) dimension ain deyeende Portie I : Estimator LASSO Tests Goheginirale ( testeplnsiuers ai hyp ein melees ) Chapitn 1 Chapitk 2 Chapitre Introduction : 3 : : Control Control du du taux dinner par fan ; lle tauxdefauxposikfs !1! test Motivation 3apµ simple dragibus " Ho : pas entre di association & Of Statistique si tel test de 1 Rejetde ) SK Ho > " duegibwsenacne niveaeed an ca SK ) que , ) CLEIR sup Po 0€00 Ibis ) p Ho pcx ) & { obs = niveaeed an p value L { . p=inf}dC[qr] pour ca > nsquedetypet Rejetde si ( SK x = Xlw sup Pg ( OEOO ) SK : > ca ) SK ) > Sex ) ) } Test multiple ? Ii Propniti ( TD 4 Exo 1 p w v ( o , 1) P alas ou Ho sous ) ( pet t pour E domination stoahestique ) paruneueoi uniform et 1- [ 0,1 ] (1 . 0.05 )m design ^ Hole mullipliciti si m f ) 9 pas ' pi tri , probabiliti P( → longue tie . . posikf U ( } ,m 1 Pied : an quond moins nb ) = 1 faux tests z - 1) o - proba de faire = iid m trower quelque chose de 31 , m (t , : - Am > un 100 TD 4 Ex . 2 Pi } ) L(inf{ nsicm m Donnie weelles expression de m gives pour n imlividus yum indite → I gwupe ( Sain But : trouvergines different iellementexprimis ) 1 test par gene Grande dimension grouped ( malade ) Cia Beaucoup de gives ↳ beaucoup detests " given gene z 9 2 variable 1 = 1 give pen de ie mn) ' a faire 105 petitions n 2102 ! Autre dowries Neurounaye arecphin : regions detests actives ? ! Economic : ogagnantes strategies Astronomic directions ? : avec une Etoile ? Model general !2! Definition * : models sous modele le hypotheses Willes general puree tests de 30,1 }m ( configuration des hypotheses vneieslfausscs HE :c constant est m It ' = o ⇐ > ' a partier: ieinghypothief dunefamilledelois dlunparamithe Vjc Pt / * p=( et tel pour que tout , . . ( bscoordonnies Notations : Pg ,m . Hj=o } avec correspondent ' a H = 0 Pn }icj< 1 m 1 12 13 P4 : 01 Ps Hj 0 PG = o , P( Pj et ) des hypotheses vneics tensemble des indices correspondent HOCH ) ( ) t.cj.cm , lois compatibles area H ) Ft HPE }r pour vines } et cardinal son 1 0 17 Ps Pg Pro Pj out des pvalues Pm 1 1 Pm Th } y 0 10 10 mo( 0 0 Prs Pro RF Rs Pn " Ulo est , 1) ) H tE[gs] sous . uniform note est hypotheses aux pour tout t { 0 Bos =/ WH 0 0 1 ) / 1 0 Ro Rn Pzz R3R4 ) ttjem Pj H ( , 0 ) tjfm Pj 1 Pn 1 1 Pz B 01 P4 Ps PG 1 0 0 P7 Ps Pos Pu Pm Th } Pro 10 10 0 avec : . . # pour , . . . = } O= Hj=o } ,m -0 Of . 0 1 0 avec ( H ,P ) HE 30,Hm : , on , , PEPH } Qo =P a Identifiable .tt Lemme Prove : H¥Hi%nPj=¢ lemodileest identifiable Ssi HH , HE 0 Vjc f ( H ,P ) 1 R7R8R9RoRnRzR3R4 tPcFt : ) NQO , 0 0 1) , }r ( 0 Prs Pro Pn " Ulo y Pj Reformulation 1 1 }o,Hm , avec PC Piet ) { t pour tout tE[gD H des Close : homogeires independents 10 10 p.s.j.CH modelers Examples pj=o 0 1 1 Pn 12 B Definition ( pi Examples : , . . . detest 0 Ps P4 Soit : lemodefe el 01 Fi P7 Ps Pg sous un Pro ) 110066 iid - Pu Pm Th } 0 0 ' associi a uniform unilateral Hj=o Fzlt ( pi , { ( pi , pour )=1il3o Elt )= §( tout IETCOCH ) } ) ;¢wa+) ) ( pj j Ulps ) iidn Fs .lHI . S ) ' ou S ) Gaussian bilateral TD4Exo4 ElH= ECOEHTH . s ) + moyenne EFEFHI . s ' ( pas ( signals TD4Exo3 . EF ,^ ) ) icjcnniiidwlo , ,s] o HE 391 }m iid ( OETH [ 0 R3R4 Pzz sur estoknnipar I 1 0 1 0 0 repartition fonckons de independent area 0 R7R8R9 Ro Rn Prs Pro Pn " de dame ensemble - Uniform Gaussian 1 1 multiple independent homogine nsiem Dirac PG 1 0 ) des ( → designate) to ) alternatives £=1 . # ) litres examples ( Hodde . l forcer sans ' independence ) unilateral , pour XN W(Hµ , 5) pour gaussian ) , M£4995 } 0=1 Hoi ) done TD4Exo4 Hodde bilateral . connuefj-1Ft-3LkoIllxgHlg.anxnNlHy.r1.ye@MTldonc0-CHfx.ModefeissudetestsperpeunutationTD4Exo5.Modeeidiotdedipendenumaximafe.U tD4Exo3Definilionlemodelegaussienunihetinel@ecolipenohenaconnuxesto6finiparpj-0IlXgD.1ej.com [email protected] Definition bilateral pj=2§( ¥1 le modele ) , gaussian iejcm , pour dependence avec XN W(Hµ , 5) est defini commie ? µf(R* Hf3o,Hm pour NUH , 1) , ttjf par ) , } ' , . . ,m } , malice 5 Pj - U et mxm Hj=o . !3! Procedure Definition procedure detest une . : multiple variables ^ de la H forma ( II . pour la 1 = variable une On note souvenir R de . ma pour Pcs ) On les £ vase nine 3 = an is generate , jam Lm procedures per seuillaye PG ) 5 . . restneindre f . aux } Ilp ) . j = r } est define par Ilp ) } pjs hypotheses I : ) ngitee Hp ) ER 11 les rgitte m ^ aliatoire = 391 } ieine hypothec est procedure detest multiple de sent ( . la ⇐ > Hfcp ) . ( ifjlp ) } game = aliatoires unefamillede est avec 1 , une p . < value ( ensemble de rgit possibilities pour ej de : e E m ) Elp ) ) # ? Pan ) procedures per → seulemeut mts seuillages dens possibilities he an suite , plus Definition . TTE 30,1T et I et H €30 fjfm ^ Hf : faux psikf = faux nigakf ejcm 1 = ole eueur vmeie Paradigm : =L tTj=o Hj , } =o = Hj , fauve 1 = alarm =o Hj # 1 = FAUX VRAI NEGATIF POSITIF est Hj= } = fausse detection = de euenr type 1 FAUX VRAI NEGATIF POSITIF I type I dicouvute de # est faux nigahfs faussediwunihe = Him . =o einsemkedes { vreiposihfs pour : I type linsembledesfauxposihfs { . de Events !4! = vneie alarm Neyman Pearson e = : vmeie detection 1 Controller he a Sachaut 1 quonliti . 06 faux psihfs maxi miser de vmeis la queen posikfs an lite nine 2 Chaix du said ? Neyman Pearson PC E Pcs) : such an pw true de f . . faux psihfs : < . , sent pay G plus guard possible > R guedes vneisposikfs sfaux osihfs maisdapantage devneispsitifs : unfaux posit choisir ? Lieahefascondemesurerlacyuanlitedefauxposihfs . Chap 2 : auaenfaeexpositfs pwbas avec . Chap 3 : f- , [ 1- a nbfauxposihfs " bpsitfs ) 5 X Different regimes signal § force foible pour 6 signal guendefora quantities elite quenhteevuemaonhti