Planification des expériences a l'aide de l'information de kullback-leibler minimale

Abstract

Ce travail propose une méthode de construction de plans d’expériences numériques, dont les points sont le plus uniformément répartis dans l’hypercube unité. Afin de mesurer l’écart entre la fonction de densité associée aux points du plan et celle de la loi uniforme, nous utilisons l’information de Kullback-Leibler, ce qui revient par ailleurs à utiliser l’entropie de Shannon. Celle-ci est estimée par une méthode de Monte Carlo dans laquelle la fonction de densité est remplacée par son estimé qui est aussi remplacé par noyaux gaussiens. this work suggests a method of constructing numerical experience designs, we suggest a new method based on comparing the empirical distribution of the points in a design to the uniform distribution with the Kullback-Leibler information. The considered approach consists in estimating this difference or, reciprocally, the Shannon entropy. The entropy is estimated by a Monte Carlo method where the density function is replaced by its gossien’s kernel density estimator.