Alexandre LEKINA
    Docteur en statistique, INRIA Grenoble, Projet Mistis






      Météo Grenoble
Ce site web est optimisé pour
Safari, Firefox, Chrome et Opera






        Conférences
          [1] Daouia, A., L. Gardes, S. Girard and A. Lekina. Extreme Level Curves of Heavy-Tailed Distributions. In Young researchers school on analyzing extreme events distributions. Aussois, France, 05/09/2009 -- 08/09/2009.

          [2] Daouia, A., L. Gardes, S. Girard and A. Lekina. Estimation de courbes de niveaux extrêmes pour des distributions à queues lourdes. In XLIIèmes Journées de Statistique. Marseille, France.

          [3] A. Lekina. Introduction à l'estimation non-paramétrique des quantiles extrêmes conditionnels. In IIIèmes Rencontres des Jeunes Statisticiens. Aussois, France, 31/08/2009 -- 04/09/2009.

          [4] Daouia, A., L. Gardes, S. Girard and A. Lekina. Extreme Level Curves of Heavy-Tailed Distributions. In 6th International Conference on Extreme Value Analysis. Fort Collins, Colorado (USA), 22/06/2009 -- 26/06/2009.

          [5] L. Gardes, S. Girard and A. Lekina. Estimation non-paramétrique des quantiles extrêmes conditionnels. In XLIèmes Journées de Statistique. Bordeaux, France, 24/05/2009 -- 29/05/2009.

          [6] L. Gardes, S. Girard and A. Lekina. A moving window approach for nonparametric estimation of extreme level curves. In 18th conference of the International Federation of Operational Research Societies (IFORS). Sandton, Afrique du Sud, 2008.

        Séminaire: les jeudis à 14h au LJK
          Je suis un bleu! actuellement, aucun exposé et/ou communication orale!
          Pour le moment, je me contente d'apprécier le travail enrichissant des aînés (chercheurs).
        Groupe de travail Mistis
        16/10/07: Je présente de mon travail du Master 2R sur la sélection de modèles.
          Résumé
          Nous souhaitons estimer une densité s sur [0, 1]. Nous disposons pour cela d'un échantillon de n variables aléatoires X1,X2, ...Xn indépendantes et identiquement distribuées de loi sdx. Pour y parvenir on considère une famille M éventuellement très grande de partitions sur l'intervalle [0, 1]. À chaque partition, on associera un estimateur de densité s_chapeau. Et on cherchera à estimer à partir du n-échantillon la meilleure partition m_chapeau permettant de minimiser le risque de l'estimateur s_chapeau pour la distance de Hellinger. À ce niveau, le problème consistera à déterminer un moyen de sélection (choix de m_chapeau parmi M) qui ne dépend que des observations. L'article de Baraud et Birgé que nous avons étudié propose un choix automatique de m_chapeau parmi M. Il fait intervenir une fonction de pénalité implicite que nous nous proposons de calibrer au mieux.

          Mots-clés - Sélection de modèles - Histogramme - Densité - Arbre binaire -Estimateur par histogramme pénalisé - Fonction de perte - Distance de Hellinger - Risque de l'estimateur.