{"id":{"repo_id":"moncton","oai_identifier":"oai:umoncton.scholaris.ca:20.500.14658/7400"},"canonical_url":"https://search.dev.ndltd.org/etd/moncton/oai:umoncton.scholaris.ca:20.500.14658/7400","repository":{"repo_id":"moncton","name":"University de Moncton","base_url":"https://umoncton.scholaris.ca/server/oai/request"},"display":{"title":"Approche bayésienne pour le modèle de regression quantile avec pénalités","abstract":""Les modèles de régression des quantiles constituent une approche alternative aux modèles classiques pour l'estimation des événements de période de retour élevée lors de la conception des ouvrages. L'approche étudiée dans le cadre de ce travail de recherche, sera présentée dans un cadre Bayésien. En effet, l'approche Bayésienne permet de combier différentes sources d'information comme par exemple, celle extraites des données et celle obtenue à partir des connaissances à priori de la variable (information founie par des experts). L'approche Bayésienne nous permettra également de définir la distribution complète des estimateurs quantiles et d'en déduire les incertitudes sur l'estimation des extrêmes. La majorité des pénalités introduites dans la littérature se font dans le cadre fréquentiel avec les propriétés asymptotiques des estimateurs, appelées propriétés oracle (parcimonie et normalité asymptotique). Dans le cadre de cette étude nous nous sommes fixés les objectifs suivants: 1. Introduction des dfférentes pénalités dans un cadre Bayésien ; 2. Comparaison des propriétés des estimateurs pour les différentes pénalités dans le cadre d'échantillons de tailles finies ; 3. Développement et calibration d'algorithme de Monte Carlo par Chaîne de Markov (MCMC) pour l'estimation des distributions a posteriori des quantiles."--Page 5.","abstract_html":""Les modèles de régression des quantiles constituent une approche alternative aux modèles classiques pour l'estimation des événements de période de retour élevée lors de la conception des ouvrages. L'approche étudiée dans le cadre de ce travail de recherche, sera présentée dans un cadre Bayésien. En effet, l'approche Bayésienne permet de combier différentes sources d'information comme par exemple, celle extraites des données et celle obtenue à partir des connaissances à priori de la variable (information founie par des experts). L'approche Bayésienne nous permettra également de définir la distribution complète des estimateurs quantiles et d'en déduire les incertitudes sur l'estimation des extrêmes. La majorité des pénalités introduites dans la littérature se font dans le cadre fréquentiel avec les propriétés asymptotiques des estimateurs, appelées propriétés oracle (parcimonie et normalité asymptotique). Dans le cadre de cette étude nous nous sommes fixés les objectifs suivants: 1. Introduction des dfférentes pénalités dans un cadre Bayésien ; 2. Comparaison des propriétés des estimateurs pour les différentes pénalités dans le cadre d'échantillons de tailles finies ; 3. Développement et calibration d'algorithme de Monte Carlo par Chaîne de Markov (MCMC) pour l'estimation des distributions a posteriori des quantiles."--Page 5.","abstract_has_math":false,"creators":["Salaou, Garba"],"institution":"Université de Moncton","degree_name":"Maîtrise ès sciences (mathématiques)","degree_level":"2e cycle","degree_discipline":"Faculté des sciences","degree_department":null,"school":null,"contributors":[],"advisors":["El Adlouni, Salah-Eddine","St-Hilaire, André"],"committee_chairs":[],"committee_members":[],"year":2015,"date_issued":"2015","date_published":"2015","updated_at":"2026-07-24T03:09:58Z","subjects":["Régression quantile","Théorème de Bayes","Processus de Markov","Méthode de Monte-Carlo","Distribution asymptotique (Théorie des probabilités)"],"languages":["iso639-2b","fre"],"rights":["Author"],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["oclc: 984658772"],"render_values":[{"text":"oclc: 984658772","href":null,"code":true}]},{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:1882"],"render_values":[{"text":"umir:1882","href":null,"code":true}]}]},"links":{"outbound_url":"https://hdl.handle.net/20.500.14658/7400","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["El Adlouni, Salah-Eddine","St-Hilaire, André"]},{"key":"dc:creator","label":"Author","values":["Salaou, Garba"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-20T18:01:32Z","2025-05-13T19:46:23Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-20T18:01:32Z","2025-05-13T19:46:23Z"]},{"key":"dc:date.issued","label":"Date","values":["2015"]},{"key":"dc:publisher","label":"Institution","values":["Université de Moncton"]},{"key":"dc:type","label":"Dc Type","values":["Text","thèse"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Faculté des sciences"]},{"key":"thesis:degree_level","label":"Degree Level","values":["2e cycle"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Maîtrise ès sciences (mathématiques)"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Moncton"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Régression quantile","Théorème de Bayes","Processus de Markov","Méthode de Monte-Carlo","Distribution asymptotique (Théorie des probabilités)"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fre"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["iso639-2b"]},{"key":"dc:rights","label":"Dc Rights","values":["Author"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["oclc: 984658772"]},{"key":"dc:identifier.other","label":"Dc Identifier Other","values":["umir:1882"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/20.500.14658/7400"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":[""Les modèles de régression des quantiles constituent une approche alternative aux modèles classiques pour l'estimation des événements de période de retour élevée lors de la conception des ouvrages. L'approche étudiée dans le cadre de ce travail de recherche, sera présentée dans un cadre Bayésien. En effet, l'approche Bayésienne permet de combier différentes sources d'information comme par exemple, celle extraites des données et celle obtenue à partir des connaissances à priori de la variable (information founie par des experts). L'approche Bayésienne nous permettra également de définir la distribution complète des estimateurs quantiles et d'en déduire les incertitudes sur l'estimation des extrêmes. La majorité des pénalités introduites dans la littérature se font dans le cadre fréquentiel avec les propriétés asymptotiques des estimateurs, appelées propriétés oracle (parcimonie et normalité asymptotique). Dans le cadre de cette étude nous nous sommes fixés les objectifs suivants: 1. Introduction des dfférentes pénalités dans un cadre Bayésien ; 2. Comparaison des propriétés des estimateurs pour les différentes pénalités dans le cadre d'échantillons de tailles finies ; 3. Développement et calibration d'algorithme de Monte Carlo par Chaîne de Markov (MCMC) pour l'estimation des distributions a posteriori des quantiles."--Page 5."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["electronic","sans médiatio","volume"]},{"key":"dc:title","label":"Title","values":["Approche bayésienne pour le modèle de regression quantile avec pénalités"]}]}],"canonical_facts":{"dc:contributor.advisor":["El Adlouni, Salah-Eddine","St-Hilaire, André"],"dc:creator":["Salaou, Garba"],"dc:date.accessioned":["2024-12-20T18:01:32Z","2025-05-13T19:46:23Z"],"dc:date.available":["2024-12-20T18:01:32Z","2025-05-13T19:46:23Z"],"dc:date.issued":["2015"],"dc:description.abstract":[""Les modèles de régression des quantiles constituent une approche alternative aux modèles classiques pour l'estimation des événements de période de retour élevée lors de la conception des ouvrages. L'approche étudiée dans le cadre de ce travail de recherche, sera présentée dans un cadre Bayésien. En effet, l'approche Bayésienne permet de combier différentes sources d'information comme par exemple, celle extraites des données et celle obtenue à partir des connaissances à priori de la variable (information founie par des experts). L'approche Bayésienne nous permettra également de définir la distribution complète des estimateurs quantiles et d'en déduire les incertitudes sur l'estimation des extrêmes. La majorité des pénalités introduites dans la littérature se font dans le cadre fréquentiel avec les propriétés asymptotiques des estimateurs, appelées propriétés oracle (parcimonie et normalité asymptotique). Dans le cadre de cette étude nous nous sommes fixés les objectifs suivants: 1. Introduction des dfférentes pénalités dans un cadre Bayésien ; 2. Comparaison des propriétés des estimateurs pour les différentes pénalités dans le cadre d'échantillons de tailles finies ; 3. Développement et calibration d'algorithme de Monte Carlo par Chaîne de Markov (MCMC) pour l'estimation des distributions a posteriori des quantiles."--Page 5."],"dc:format":["application/pdf"],"dc:format.medium":["electronic","sans médiatio","volume"],"dc:identifier":["oclc: 984658772"],"dc:identifier.other":["umir:1882"],"dc:identifier.uri":["https://hdl.handle.net/20.500.14658/7400"],"dc:language":["fre"],"dc:language.iso":["iso639-2b"],"dc:publisher":["Université de Moncton"],"dc:rights":["Author"],"dc:subject":["Régression quantile","Théorème de Bayes","Processus de Markov","Méthode de Monte-Carlo","Distribution asymptotique (Théorie des probabilités)"],"dc:title":["Approche bayésienne pour le modèle de regression quantile avec pénalités"],"dc:type":["Text","thèse"],"thesis:degree_discipline":["Faculté des sciences"],"thesis:degree_level":["2e cycle"],"thesis:degree_name":["Maîtrise ès sciences (mathématiques)"],"thesis:institution_name":["Université de Moncton"]},"updated_at":"2026-07-24T03:09:58Z"}