La disponibilité d'ordinateurs de plus en plus puissants a permis aux statisticiens de développer des méthodes qui auraient été impensables il y a quelques années seulement tout simplement parce qu'il aurait été à toute fin utile impossible de les mettre en oeuvre. Par exemple, les méthodes de rééchantillonnage permettent de calculer des estimés de la variance d'un estimateur compliqué, ou un intervalle de confiance pour un paramètre inconnu ou même de déterminer la valeur du paramètre de lissage dans les cas où l'estimateur n'est défini qu'à un paramètre de lissage près qui doit être déterminé à partir des données (par exemple la proportion de troncature d'une moyenne tronquée). Mes recherches consistent à améliorer notre compréhension de la théorie et de la pratique de ces méthodes afin de développer de nouvelles méthodologies statistiques fondées sur des bases solides.

Mes intérêts de recherche portent essentiellement sur les aspects théoriques de la statistique. Cela comprend la théorie de la décision, l'approche bayésienne, les statistiques multidimensionnelles et plus spécifiquement les méthodes de simulations plus connues sous le terme MCMC ( simulation de Monte Carlo par chaînes de Markov ). L'un de mes projets consiste à développer un algorithme qui permet de créer une chaîne de Markov dont la distribution stationnaire est fixée à l'avance tout en étant capable d'identifier les distributions intermédiaires à chaque étape dans le temps. Ce nouvel algorithme serait appelé à compétitionner avec le très populaire algorithme de Metropolis et Hastings. En fait, l'algorithme que je cherche à développer généralise en quelque sorte l'algorithme selon la méthode d'acceptation rejet.