Nonparametric statistics: smoothings methods

lstat2150  2021-2022  Louvain-la-Neuve

Nonparametric statistics: smoothings methods
4 crédits
15.0 h + 5.0 h
Q1
Enseignants
Langue
d'enseignement
Anglais
Thèmes abordés
Les thèmes abordés dans le cours sont les suivants : 1. Estimation nonparamétrique d'une fonction de répartition 2. Estimation nonparamétrique d'une fonction de densité : la méthode à noyau 3. Estimation nonparamétrique d'une fonction de régression : - l'estimation à noyau - l'estimation locale polynomiale - l'estimation par splines Ces sujets sont traités essentiellement d'un point de vue méthodologique, à l'aide d'exemples appliqués. L'étudiants découvredes applications des méthodes discutées sur ordinateur.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1 A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 3.1, 3.3, 4.4

Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 3.1, 3.3, 4.3
B. Deuxième cours de formation générale en statistique nonparamétrique, qui se concentre surtout sur les méthodes de lissage.
 
Contenu
Introduction en statistique non paramétrique, qui se concentre surtout sur les méthodes de lissage : estimation d'une densité (méthode à noyau); régression nonparamétrique (méthode à noyau); aspects supplémentaires (traitement des bornes, dérivées, aspects multivariés, ...); lissage à méthodes différentes des noyaux (polynômes locaux, splines,...); aspects théoriques (comparaison des différentes méthodes d'estimation à l'aide du biais, variance, MSE).
Ces sujets sont traités essentiellement d'un point de vue méthodologique, à l'aide d'exemples appliqués. L'étudiant découvre des applications des méthodes discutées sur ordinateur (utilisant le logiciel R). 
Méthodes d'enseignement
Seances du cours magistral completés par un tutorial en R.
Modes d'évaluation
des acquis des étudiants
Un projet sur ordinateur (en R) est a preparer pendant le semestre. L'autre moitié porte sur un examen oral de la matiere du cours.
Autres infos
Préalables: Formation de base en probabilité et en statistique: statistique descriptive, calculs de probabilité, fonction de répartition, densité de probabilité, moyennes, variances (conditionelles ou pas), régression linéaire. Il est souhaitable (mais pas nécessaire) d'avoir suivi le cours STAT2140 avant.
Bibliographie
Fan, J. et Gijbels, I. (1996). Local polynomial modelling and its applications. Chapman & Hall, New York.
Green, P.J. et Silverman, B.W. (2000). Nonparametric regression and generalized linear models. Chapman & Hall, New York.
HÄRDLE, W. (1990): Applied Nonparametric Regression. Cambridge University Press, Cambridge.
Hart, J.D. (1997). Nonparametric smoothing and lack-of-fit tests. Springer, New York.
Loader, C. (1999). Local regression and likelihood. Springer, New York.
Silverman, B.W. (1986) : Density Estimation for Statistics and Data Analysis. Chapman and Hall, London.
Simonoff, J.S. (1996). Smoothing methods in Statistics. Springer.
Support de cours
  • transparents sur moodle
Faculté ou entité
en charge


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en statistique, orientation générale

Master [120] : ingénieur civil en science des données

Master [120] en science des données, orientation technologies de l'information

Master [120] en statistique, orientation biostatistiques

Master [120] en sciences économiques, orientation générale

Certificat d'université : Statistique et sciences des données (15/30 crédits)

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] en science des données, orientation statistique