La modélisation statistique permet de définir un modèle stochastique pour expliquer ou prédire un phénomène à partir de données observées en quantifiant l'accord du modèle avec les données. C'est une discipline transverse qui se rencontre dans des domaines variés tels que : l'assurance, la fiabilité, l'agro-alimentaire, la biologie, l'environnement, l'énergie ...
Ce cours fait suite au cours MA101 dans lequel les principes de base de la statistique inférentielle ont été étudiés: estimateur, tests, intervalle de confiance dans les cas classiques d'inférence paramétrique.
Le cours STA201 apporte des compléments de la théorie de l'estimation (recherche d'estimateurs optimaux, estimation par maximum de vraisemblance, tests de Wald et du rapport de vraisemblance, ..), illustre le cadre de la modélisation statistique et détaille le cas du modèle linéaire.
L'enseignement comporte une part de travaux dirigés sur ordinateurs qui permettent de transformer le savoir théorique en une pratique de la modélisation de données réelles et de l'estimation de modèles avec un logiciel (logiciel R).
Bibliographie:
Ce cours fait suite au cours MA101 dans lequel les principes de base de la statistique inférentielle ont été étudiés: estimateur, tests, intervalle de confiance dans les cas classiques d'inférence paramétrique.
Le cours STA201 apporte des compléments de la théorie de l'estimation (recherche d'estimateurs optimaux, estimation par maximum de vraisemblance, tests de Wald et du rapport de vraisemblance, ..), illustre le cadre de la modélisation statistique et détaille le cas du modèle linéaire.
L'enseignement comporte une part de travaux dirigés sur ordinateurs qui permettent de transformer le savoir théorique en une pratique de la modélisation de données réelles et de l'estimation de modèles avec un logiciel (logiciel R).
Bibliographie:
Statistique en action, V. Rivoirard et G. Stolz, Vuibert (2009)
Introduction au calcul des probabilités et à la statistique, J.-F. Delmas, Les Presses de l'ENSTA (2010)
Statistiques générales pour utilisateurs, J. Pagès, Presses Universitaires de Rennes (2005)
Régression: Théorie et Applications, P.-A. Cornillon et E. Matzner-Lober (2007)
Le modèle linéaire par l'exemple, J.-M. Azaïs et J.-M. Bardet (2005)
Plus d'informations et les documents sur le site pédagogique du cours.
- Enseignant: Sophie ALFEROFF
- Enseignant: Frédérika AUGÉ-ROCHEREAU
- Enseignant: Gilles Blanchard
- Enseignant: Bertrand Even
- Enseignant: Matéo Ghezal
- Enseignant: Matéo GHEZAL
- Enseignant: Christine Keribin
- Enseignant: Mélanie LIMACHE GOMEZ
- Enseignant: Leonardo Martins Bianco
- Enseignant: Edouard Maurel-Segala
- Enseignant: Alejandro REYMOND
- Enseignant responsable de l'UE: Laurent BOURGEOIS