Doctorat en statistique

Structure du programme

Espace de probabilité, variables aléatoires, indépendance, espérance mathématique, modes de convergence, lois des grands nombres, théorème central limite, espérance conditionnelle et martingales. Introduction au mouvement brownien.

Participation à des projets de consultation statistique, incluant les aspects informatiques, une présentation orale et écrite des résultats. Aspects éthiques de la consultation.

Participation à des projets de consultation statistique, incluant les aspects informatiques, une présentation orale et écrite des résultats. Aspects éthiques de la consultation.

Principes d'inférence : estimation ponctuelle, distribution des estimateurs, test d’hypothèse, région de confiance. Approche bayésienne. Méthodes de rééchantillonnage. Estimation non paramétrique. Applications modernes de la statistique.

Sondages avec probabilités inégales, stratifiés, en grappes, à plusieurs degrés et plusieurs phases. Estimation par la régression généralisée et calage. Estimation selon le plan et selon le modèle. Non-réponse. Estimation de la variance.

Principes de l’analyse bayésienne; loi a priori et a posteriori, inférence statistique et théorie de la décision. Méthodes computationnelles; méthodes de Monte Carlo par chaînes de Markov et méthodes variationnelles. Applications.

Étude du bootstrap; biais, variance, intervalles de confiance et tests. Applications diverses. Tests de permutation. Jackknife. Validation croisée. Sous-échantillonnage.

Statistiques linéaires de rang. Problèmes de position et de dispersion. Cas d'un ou deux échantillons. Efficacité relative des tests. Régression non paramétrique : méthodes du noyau et splines de lissage. Tests de permutation et méthode bootstrap.

Notions de probabilités. Inférence non paramétrique; comportement asymptotique des moments, quantiles échantillonnaux et des statistiques d’ordre. Inférence paramétrique fréquentiste et bayésienne; consistance uniforme, normalité asymptotique.

Cas de deux traitements. Modèle basé sur la randomisation. Théorie des formes quadratiques. Estimation et tests d’hypothèses dans les modèles linéaires. Tests de permutation du plan à un facteur. Blocs incomplets. Plans factoriels fractionnaires.

Rappels sur les modèles linéaires généralisés (inférence, tests, validation, choix de modèle). Géométrie de la régression. Étude asymptotique des estimateurs et réduction de variance. Régression robuste. Régression non paramétrique.

Analyse factorielle avec mesures répétées. Analyse de covariance. Plans croisés. Cas d'un ou plusieurs facteurs. Analyses paramétriques et non paramétriques.

Distributions elliptiques. Estimateurs de localisation et dispersion. Estimateur robuste. Corrélations multiple, partielle, canonique. Tests paramétriques, de permutation, du bootstrap. Classification. Analyse en composantes principales. Prévision.

Tableaux de contingence à plusieurs dimensions. Mesures d'association. Risque relatif, rapport de cote. Tests exacts et asymptotiques. Régression logistique, de Poisson, multinomiale, logistique cumulative. Modèles log-linéaires. Modèles graphiques.

Techniques descriptives. Processus stationnaires. Meilleure prévision linéaire. Modèles ARMA, ARIMA et modèles saisonniers. Estimation et prévision dans les ARMA. Éléments d’analyse spectrale. Modèles ARCH et GARCH.

Cours publié sans descriptif.