BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Laboratoire de Mathématiques de Versailles - ECPv6.16.2//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://lmv.math.cnrs.fr
X-WR-CALDESC:Évènements pour Laboratoire de Mathématiques de Versailles
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20170326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20171029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20180325T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20181028T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20190331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20191027T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181204T113000
DTEND;TZID=Europe/Paris:20181204T123000
DTSTAMP:20260520T220258
CREATED:20181130T131510Z
LAST-MODIFIED:20190416T121726Z
UID:4711-1543923000-1543926600@lmv.math.cnrs.fr
SUMMARY:PS : Sandrine Boulet (LMV et Université Paris V) : Intérêt des méthodes de sélection de variables bayésiennes - Application au cancer colorectal
DESCRIPTION:L’objectif principal de notre projet est de comprendre comment les médecins modifient les doses de chimiothérapie en fonction des caractéristiques des patients et des effets indésirables. Nous utilisons deux sources d’information : les données observées recueillies dans les dossiers informatisés des patients\, et l’expertise des médecins. Peu de méthodes permettent de combiner ces informations. L’originalité de notre projet est donc de proposer des stratégies pour prendre en compte ces deux sources de données. Pour prendre en compte l’expertise clinique\, nous avons construit un questionnaire en collaboration avec les oncologues dans lequel ils quantifient l’importance de chaque événement indésirable sur la réduction de dose. Nous avons ensuite développé deux modèles qui combinent cette expertise et des observations. Le premier modèle est une adaptation d’une méthode de sélection de variables bayésienne pour laquelle l’information experte est introduite dans la distribution a priori. Le deuxième modèle est fondé sur la méthode de power prior et permet de combiner des données simulées à partir des paramètres experts et les observations. Nous avons réalisé des simulations pour comprendre la performance de ces modèles. Enfin\, nous avons appliqué ces modèles à des données de patients traités par Irinotecan pour un cancer colorectal. Le premier modèle permet d’améliorer les performances prédictives sur des petits échantillons. Le deuxième modèle permet de gérer des échantillons de plus grande taille\, et de sélectionner à la fois les variables importantes pour les experts et les variables utilisées en vie réelle.
URL:https://lmv.math.cnrs.fr/evenenement/ps-sandrine-boulet-lmv-et-universite-paris-v-interet-des-methodes-de-selection-de-variables-bayesiennes-application-au-cancer-colorectal/
LOCATION:Bâtiment Fermat\, salle 2107
CATEGORIES:Séminaire PS
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181127T113000
DTEND;TZID=Europe/Paris:20181127T123000
DTSTAMP:20260520T220258
CREATED:20181120T131258Z
LAST-MODIFIED:20190416T121430Z
UID:4709-1543318200-1543321800@lmv.math.cnrs.fr
SUMMARY:PS : Diarra Fall (Institut Denis Poisson\, Univ. d'Orléans) : Test d’hypothèses bayésien non paramétrique et arbres de Polya : application à la modélisation de la zone du langage
DESCRIPTION:Dans cet exposé je commencerai d’abord par introduire les notions classiques de bayésien paramétrique\, non paramétrique\, test d’hypothèses etc.\, sur des exemples simples. Puis je présenterai les arbres de Polya. Enfin\, j’exposerai un travail avec le centre hospitalier régional d’Orléans portant sur l’estimation de la zone de contrôle du langage chez des patients ayant eu un AVC. Ce travail est basé sur un test bayésien non paramétrique\, utilisant comme a priori des arbres de Polya.
URL:https://lmv.math.cnrs.fr/evenenement/ps-diarra-fall-institut-denis-poisson-univ-dorleans-test-dhypotheses-bayesien-non-parametrique-et-arbres-de-polya-application-a-la-modelisation-de-la-zone-du-langage/
LOCATION:Bâtiment Fermat\, salle 2107
CATEGORIES:Séminaire PS
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181120T113000
DTEND;TZID=Europe/Paris:20181120T123000
DTSTAMP:20260520T220258
CREATED:20181116T130604Z
LAST-MODIFIED:20190416T121139Z
UID:4707-1542713400-1542717000@lmv.math.cnrs.fr
SUMMARY:PS : Tom Rohmer (INRIA Saclay \, CMAP) : Extreme type regression model for insurance loss modeling
DESCRIPTION:Dans le cadre de la tarification en assurance\, nous proposons une approche paramétrique permettant de modéliser les coûts des sinistres atypiques et attritionnels. Cette approche est basée sur des méthodes classiques de régression linéaire généralisée (GLM) pour la modélisation des petits sinistres et sur une procédure GLM adaptée au cas de lois d’extrêmes (Pareto généralisée) dans le cas des sinistres graves. Des estimateurs du maximum de vraisemblance sont proposés pour calibrer le modèle (ayant une forme explicite pour la partie attritionnelle et utilisant des algorithmes de type IWLS pour la partie GPD-GLM).\nCollaboration avec A. Brouste (univ. Le Mans) et C. Dutang (univ. Paris-Dauphine)
URL:https://lmv.math.cnrs.fr/evenenement/ps-tom-rohmer-inria-saclay-cmap-extreme-type-regression-model-for-insurance-loss-modeling/
LOCATION:Bâtiment Fermat\, salle 2107
CATEGORIES:Séminaire PS
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181106T113000
DTEND;TZID=Europe/Paris:20181106T123000
DTSTAMP:20260520T220258
CREATED:20181102T130326Z
LAST-MODIFIED:20190416T120535Z
UID:4705-1541503800-1541507400@lmv.math.cnrs.fr
SUMMARY:PS : Anna Ben Hamou (Sorbonne Université) : Temps de mélange pour la marche aléatoire sans rebroussement sur des graphes aléatoires à communautés
DESCRIPTION:Le temps de mélange d’une marche aléatoire sur un graphe connexe fini est intimement lié à l’existence de goulots d’étranglement (« bottlenecks ») dans le graphe : intuitivement\, plus il est difficile pour la marche de s’échapper de certaines régions du graphe\, plus le mélange est lent. De plus\, la présence de goulots d’étranglement étroits empêche souvent le cutoff\, qui décrit une convergence abrupte à l’équilibre. Dans cet exposé\, nous nous intéresserons au comportement de mélange de la marche aléatoire sans rebroussement sur des graphes aléatoires à degrés prescrits et avec une structure en deux communautés. De tels graphes possèdent un goulot d’étranglement dont l’étroitesse peut être mesurée par la fraction des arêtes qui vont d’une communauté à l’autre. Sous certaines conditions de degrés\, nous montrerons que si cette fraction décroit moins vite que 1/log(N) (où N est la taille du graphe)\, alors la marche présente le cutoff\, et la distance à l’équilibre peut être décrite très précisément. Inversement\, si cette fraction décroit plus vite que 1/log(N)\, alors il n’y a pas cutoff.
URL:https://lmv.math.cnrs.fr/evenenement/ps-anna-ben-hamou-sorbonne-universite-temps-de-melange-pour-la-marche-aleatoire-sans-rebroussement-sur-des-graphes-aleatoires-a-communautes/
LOCATION:Bâtiment Fermat\, salle 2107
CATEGORIES:Séminaire PS
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20181016T113000
DTEND;TZID=Europe/Paris:20181016T123000
DTSTAMP:20260520T220258
CREATED:20181010T095154Z
LAST-MODIFIED:20190416T120156Z
UID:4702-1539689400-1539693000@lmv.math.cnrs.fr
SUMMARY:PS : Julien Worms (LMV) : Statistique des valeurs extrêmes pour données censurées
DESCRIPTION:Cet exposé abordera le problème de l’estimation statistique de la queue d’une distribution univariée\, dont seul un échantillon aléatoirement censuré (à droite) est disponible. Après des rappels sur la statistique des valeurs extrêmes et sur les données censurées\, des estimateurs de l’indice des valeurs extrêmes seront présentés dans le cadre de lois à queues lourdes. Ces estimateurs ont la forme de sommes pondérées impliquant l’estimateur de Kaplan-Meier évalué dans toute la queue de l’échantillon\, l’un d’entre eux s’écrivant comme une intégrale de Kaplan-Meier avec fonctionnelle non-bornée à support glissant. On évoquera leurs performances par rapport à leurs concurrents\, en particulier dans des cadres de censure forte (le seuil de 50% de censure dans la queue jouant ici un rôle clé)\, et on montrera comment et dans quel cadre la normalité asymptotique peut être obtenue. Si le temps le permet\, les extensions à d’autres cadres (queues plus légères\, censure en présence de risques concurrents\, quantiles extrêmes) seront abordées. Travail en collaboration avec Rym Worms (Univ. Paris-Est-Créteil) et aussi Jan Beirlant (KU Leuven).
URL:https://lmv.math.cnrs.fr/evenenement/ps-julien-worms-lmv-statistique-des-valeurs-extremes-pour-donnees-censurees/
LOCATION:Bâtiment Fermat\, salle 2102
CATEGORIES:Séminaire PS
END:VEVENT
END:VCALENDAR