No description available.

No description available.

No description available.

- / -

Η δειγματοληπτική έρευνα είναι η έρευνα η οποία βασίζεται στο δείγμα για να εξάγει συμπεράσματα για τον πληθυσμό. Στη δειγματοληπτική έρευνα υπάρχουν σφάλματα. Τα σφάλματα είναι οι αποκλίσεις των αποτελεσμάτων της δειγματοληπτικής έρευνας από τις αντίστοιχες πραγματικές τους τιμές. Στην έρευνα αυτή προσπαθούμε να τα ελαχιστοποιήσουμε. Προσπαθούμε να παρέμβουμε επί της διαδικασίας δειγματοληπτικής έρευνας στην οποία υπάρχουν με τέτοιον τρόπο έτσι ώστε τα εξαγόμενα αποτελέσματά της να είναι όσο το δυνατόν πιο κοντά στα αντίστοιχα πραγματικά. / In sample survey there are errors. The errors are the declinations between the estimated values and the real ones. In this thesis we try to find ways in order to minimize them.

La théorie statistique de l’apprentissage est un domaine de la statistique inférentielle dont les fondements ont été posés par Vapnik à la fin des années 60. Il est considéré comme un sous-domaine de l’intelligence artificielle. Dans l’apprentissage automatique, les machines à vecteurs de support (SVM) sont un ensemble de techniques d’apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression. Dans cette thèse, notre objectif est de proposer deux nouveaux problèmes d’aprentissagestatistique: Un portant sur la conception et l’évaluation d’une extension des SVM multiclasses et un autre sur la conception d’un nouveau noyau pour les machines à vecteurs de support. Dans un premier temps, nous avons introduit une nouvelle machine à noyau pour la reconnaissance de modèle multi-classe: la machine à vecteur de support hyperbolique. Géometriquement, il est caractérisé par le fait que ses surfaces de décision dans l’espace de redescription sont définies par des fonctions hyperboliques. Nous avons ensuite établi ses principales propriétés statistiques. Parmi ces propriétés nous avons montré que les classes de fonctions composantes sont des classes de Glivenko-Cantelli uniforme, ceci en établissant un majorant de la complexité de Rademacher. Enfin, nous établissons un risque garanti pour notre classifieur.Dans un second temps, nous avons créer un nouveau noyau s’appuyant sur la transformation de Fourier d’un modèle de mélange gaussien. Nous procédons de la manière suivante: d’abord, chaque classe est fragmentée en un nombre de sous-classes pertinentes, ensuite on considère les directions données par les vecteurs obtenus en prenant toutes les paires de centres de sous-classes d’une même classe. Parmi celles-ci, sont exclues celles permettant de connecter deux sous-classes de deux classes différentes. On peut aussi voir cela comme la recherche d’invariance par translation dans chaque classe. Nous l’avons appliqué avec succès sur plusieurs jeux de données dans le contexte d’un apprentissage automatique utilisant des machines à vecteurs support multi-classes. / Statistical learning theory is a field of inferential statistics whose foundations were laid by Vapnik at the end of the 1960s. It is considered a subdomain of artificial intelligence. In machine learning, support vector machines (SVM) are supervised learning models with associated learning algorithms that analyze data used for classification and regression analysis. In this thesis, our aim is to propose two new statistical learning problems : one on the conception and evaluation of a multi-class SVM extension and another on the design of a new kernel for support vectors machines. First, we introduced a new kernel machine for multi-class pattern recognition : the hyperbolic support vector machine. Geometrically, it is characterized by the fact that its decision boundaries in the feature space are defined by hyperbolic functions. We then established its main statistical properties. Among these properties we showed that the classes of component functions are uniform Glivenko-Cantelli, this by establishing an upper bound of the Rademacher complexity. Finally, we establish a guaranteed risk for our classifier. Second, we constructed a new kernel based on the Fourier transform of a Gaussian mixture model. We proceed in the following way: first, each class is fragmented into a number of relevant subclasses, then we consider the directions given by the vectors obtained by taking all pairs of subclass centers of the same class. Among these are excluded those allowing to connect two subclasses of two different classes. We can also see this as the search for translation invariance in each class. It successfully on several datasets in the context of machine learning using multiclass support vector machines.

Double sampling procedure is adapted from a statistical branch called acceptance sampling. The first Shewhart-type double sampling monitoring scheme was introduced in the statistical process monitoring (SPM) field in 1974. The double sampling monitoring scheme has been proven to effectively decrease the sampling effort and, at the same time, to decrease the time to detect potential out-of-control situations when monitoring the location, variability, joint location and variability using univariate or multivariate techniques. Consequently, an overview is conducted to give a full account of all 76 publications on double sampling monitoring schemes that exist in the SPM literature. Moreover, in the review conducted here, these are categorized and summarized so that any research gaps in the SPM literature can easily be identified. Next, based on the knowledge gained from the literature review about the existing designs for monitoring the process mean, a new type of double sampling design is proposed. The new charting region design lead to a class of a control charts called a side-sensitive double sampling (SSDS) monitoring schemes. In this study, the SSDS scheme is implemented to monitor the process mean when the underlying process parameters are known as well as when they are unknown. A variety of run-length properties (i.e., the 5th, 25th, 50th, 75th, 95th percentiles, the average run-length (𝐴𝑅𝐿), standard deviation of the run-length (𝑆𝐷𝑅𝐿), the average sample size (𝐴𝑆𝑆) and the average extra quadratic loss (𝐴𝐸𝑄𝐿) metrics) are used to design and implement the new SSDS scheme. Comparisons with other established monitoring schemes (when parameters are known and unknown) indicate that the proposed SSDS scheme has a better overall performance. Illustrative examples are also given to facilitate the real-life implementation of the proposed SSDS schemes. Finally, a list of possible future research ideas is given with hope that this will stimulate more future research on simple as well as complex double sampling schemes (especially using the newly proposed SSDS design) for monitoring a variety of quality characteristics in the future. / Statistics / M. Sc. (Statistics)