Programme et résumés (pdf) - Société statistique du Canada

96 Lundi 29 mai • Monday, May 29, 15:30–17:00[MS-72]Bayesian LAGO for Statistical Detection ProblemsLAGO bayésienne pour des problèmes statistiques de détectionWanhua SU, University of Waterloo, Hugh CHIPMAN, Acadia University, Mu ZHU, University of WaterlooIn statistical detection problems, we have data{Y i , X i },where X i is the predictor vector of the ithDans les problèmes statistiques de détection, nous avons desdonnées {Y i , X i }, où X i est le vecteur prédicteur de la i e obobservationand Y i = 0\1 is its class label. The servation et Y i = 0\1 est son étiquette de classe. L’objectifobjective of a statistical detection problem is to d’un problème statistique de détection est d’identifier les obidentifyclass-1 observations, which are extremely servations de la classe-1, qui sont extrêmement rares. Notrerare.Our previous work (LAGO) was demonstrated travail précédent sur le LAGO a été démontré qu’il peut êtreto be superior to methods such as KNN and SVM supérieur aux méthodes telles que KNN et SVM dans unin a real drug discovery problem. One drawback problème réel de découverte d’un médicament. Un désavanofthe existing LAGO is that it only provides a tage présent du LAGO est qu’il fournit seulement une estipointestimate of a test point’s possibility of being mation ponctuelle qu’une observation test puisse être dansclass 1, ignoring the uncertainty of the model.In la classe 1, ignorant l’incertitude du modèle. Dans cet enthistalk, we present a probabilistic framework for tretien, nous présentons un cadre probabiliste pour LAGO,LAGO, referred as BLAGO. Uncertainty can be référé par BLAGO. L’incertitude peut être adaptée en assiaccommodatedby assigning prior distributions to gnant des distributions aux paramètres. MCMC est utiliséthe parameters. MCMC is used to obtain the pos- pour obtenir a priori les distributions postérieures. BLAGOterior distributions. BLAGO provides proper prob- fournit les prévisions probabilistes appropriées de supportabilistic predictions that have support on (0, 1) and sur (0, 1) et détecte aussi l’incertitude des prévisions.capture uncertainty of the predictions as well.[MS-73]Profile-monitoring Curve DataContrôle de profils pour des données fonctionnellesSofia MOSESOVA, University of Waterloo, Hugh CHIPMAN, Acadia UniversityDans cette présentation, nous généralisons certaines destechniques traditionnelles de contrôle des procédés à desdonnées fonctionnelles (courbes) en mettant l’accent sur unproblème de l’industrie automobile. Deux types de modèlesbasés sur le lissage de B-splines et des équations différen-tielles sont proposés pour décrire la dynamique de tellesdonnées. Les coefficients estimés obtenus à partir de cesmodèles sont par la suite contrôlés à l’aide de la statistiqueT 2 de Hotelling. On utilise des données de simulation pourvalider les résultats.In this talk we generalize some of the traditionalprocess monitoring techniques to functional(curve) data, with emphasis on a problem takenfrom the automotive industry. Two types of modelsinvolving B-spline smoothing and differentialequations are proposed for describing the dynamicsof such data. Estimated coefficients obtainedfrom fitting these models are subsequently monitoredusing a Hotelling T 2 statistic. Simulated datais used to validate the results.SH = Somerville House SSC = Social Science Centre UC = University College