Méthodes de rééchantillonnage avec applications

lstat2180  2019-2020  Louvain-la-Neuve

Méthodes de rééchantillonnage avec applications
Note du 29 juin 2020
Sans connaitre encore le temps que dureront les mesures de distances sociales liées à la pandémie de Covid-19, et quels que soient les changements qui ont dû être opérés dans l’évaluation de la session de juin 2020 par rapport à ce que prévoit la présente fiche descriptive, de nouvelles modalités d’évaluation des unités d’enseignement peuvent encore être adoptées par l’enseignant ; des précisions sur ces modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es dans les plus brefs délais.
4 crédits
15.0 h + 5.0 h
Q1
Enseignants
Pircalabelu Eugen;
Langue
d'enseignement
Français
Préalables
Une bonne connaissance des techniques d'inférence statistique de base est préférable.
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 permet aux étudiants de maîtriser de manière prioritaire les AA 1.3, 1.4, 1.5, 4.1, 4.2 et 4.4.
Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité permet aux étudiants de maîtriser de manière prioritaire les AA 1.3, 1.4, 1.5, 4.1, 4.2 et 4.3.
B. A l'issue de ce cours, l'étudiant sera familiarisé avec les bases de la méthode de bootstrap tant au niveau théorique que pratique.  En outre, l'étudiant sera capable d'appliquer cette méthode dans différents domains d'applications et il comprendra quelques extensions plus avancées de cette méthode.
 

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) ».
Contenu
  • Idées de base du bootstrap
  • Méthodes de Monte-Carlo
  • Aplications à certains problèmes basiques d'inférence : biais d'un estimateur, intervalles de confiance, . . .
  • Propriétés théoriques du bootstrap
  • Tests d'hypothèses par rééchantillonnage
  • Le bootstrap pour la régression
  • Le bootstrap itéré
  • Le jacknife
  • Le "smoothed" bootstrap
  • Le bootstrap pour les séries temporelles
Méthodes d'enseignement
Le cours comprend des exposés magistraux et des séances d'exercices.
Modes d'évaluation
des acquis des étudiants
L'évaluation comprend un examen oral (pour tester la compréhension globale du cours) et un projet sur ordinateur (analyse de données réelles et/ou simulation par Monte Carlo).
Autres infos
Notes de cours : Simar, L. (2008). An Invitation to the Bootstrap : Panacea for Statistical Inference ?.
Bibliographie
  • Chernick, M.R. (2008). Bootstrap methods : a guide for practitioners and researchers, Wiley Series in Probability and Statistics.
  • Davison, A.C. et Hinkley, D.V. (1997). Bootstrap Methods and their Applications, Cambridge University Press.
  • Efron, B. et Tibshirani, R.J. (1993). An Introduction to the Bootstrap, Chapman and Hall.
  • Hall, P. (1992). The Bootstrap and Edgeworth Expansion, 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 mathématiques appliquées

Master [120] en statistique, orientation biostatistiques

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

Master [120] en statistique, orientation générale

Master [120] en science des données, orientation statistique