UE Statistique computationnelle

Diplômes intégrant cet élément pédagogique :

Descriptif

Méthodes Monte Carlo. Bootstrap, validation croisée. Statistique bayesienne, loi a priori, a posteriori. Elicitation de la loi a priori, influence de cette loi. Algorithmes d’estimation : Monte Carlo par Chaines de Markov (MCMC). Limites et avantages des approches bayesiennes (modèles complexe, petits échantillons).

Pré-requis

Les connaissances relatives aux méthodes d’estimation et aux tests d’hypothèse.

Compétences visées

Maîtriser les méthodes de validation croisée et de bootstrap . Etre capable d’implémenter ces algorithmes. Savoir proposer une formu- lation bayésienne d’un problème d’estimation. Maîtriser l’implémen- tation des algorithmes standards de statistique computationnelle.

Informations complémentaires

Méthode d'enseignement : En présence
Lieu(x) : Grenoble - Domaine universitaire
Langue(s) : Français