Faire le lien entre les méthodes paramétriques et non paramétriques

Le professeur Mayer Alvo debout devant un tableau noir sur lequel des formules sont écrites à la craie blanche

Le professeur Mayer Alvo en collaboration avec ses collègues de l’Université de Hong Kong, Hang Xu, candidat au doctorat et le professeur Philip Yu

Département de mathématiques et de statistique

Les recherches menées par le professeur Mayer Alvo, en collaboration avec le candidat au doctorat Hang Xu et le professeur Philip Yu de l’Université de Hong Kong, portent sur les critères de classement, c’est-à-dire le processus par lequel les données recueillies sont triées et organisées selon leur rang. Ce processus implique, par exemple, l’attribution d’une valeur aux données sur une échelle de 1 à n, où 1 représente la valeur la plus faible et n, la plus grande. Ce genre de données appartient au domaine de la statistique non paramétrique, laquelle est très difficile à analyser et à calculer. En revanche, les données classables selon une distribution connue, à l’exception de quelques paramètres fixes, sont habituellement analysables par des méthodes plus puissantes propres aux statistiques paramétriques.

Dans un article récemment publié, le professeur Alvo a découvert une façon de faire le lien entre les méthodes paramétriques et non paramétriques d’analyse de données, permettant ainsi d’exploiter à la fois les avantages de la première et la fiabilité de la seconde. Les chercheurs ont appliqué les méthodes bayésiennes aux critères de classement, simplifiant substantiellement l’analyse d’ensembles de données comportant plusieurs attributs différents. Cette approche peut être utilisée dans plusieurs évaluations statistiques, de la variation des préférences pour certains types de sushis d’une région du Japon à la classification des patientes atteintes du cancer du sein sur la base de l’expression génétique. Ce travail a des retombées significatives tant dans le domaine des mathématiques que dans le monde de la médecine. Le développement de méthodes plus puissantes de détection de points de rupture multiples pourra par exemple permettre aux chercheurs et aux médecins d’extraire davantage d’information des données génétiques et ainsi devancer la mise en place de moyens préventifs.

Pour en savoir plus (en anglais seulement)

Plus de découvertes

Haut de page