Nonparametric statistics: smoothings methods

lstat2150  2018-2019  Louvain-la-Neuve

Nonparametric statistics: smoothings methods
4 crédits
15.0 h + 5.0 h
Q1
Enseignants
von Sachs Rainer;
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.

 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Autres infos
Pré-requis 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. Références bibliographiques 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.
Faculté ou entité
en charge
LSBA


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

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur civil en science des données

Master [120] en statistique, orientation biostatistiques

Master [120] en sciences économiques, orientation générale

Master [120] en statistique, orientation générale

Master [120] : ingénieur civil en mathématiques appliquées

Master [120] en science des données, orientation statistique

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