Modélisation statistique (STA110)
Maîtriser les outils de la modélisation statistique (sélection de modèles, validation, interprétation) dans un contexte général (données continues, discrètes, qualitatives, mixtes) via l'utilisation de méthodes paramétriques (modèles linéaires et modèle linéaire généralisé) ou non-paramétriques.Acquérir des connaissances ainsi qu'un savoir-faire dont l'objectif est de traiter un problème concret par une approche...En lire plus
Statisticien modélisateur
Condition d'accès / publics visés
Avoir le niveau de l'unité d'enseignement : STA. 103 (calcul des probabilités) et STA001 (Techniques de la statistique)
Objectifs pédagogiques
Maîtriser les outils de la modélisation statistique (sélection de modèles, validation, interprétation) dans un contexte général (données continues, discrètes, qualitatives, mixtes) via l'utilisation de méthodes paramétriques (modèles linéaires et modèle linéaire généralisé) ou non-paramétriques.
Acquérir des connaissances ainsi qu'un savoir-faire dont l'objectif est de traiter un problème concret par une approche de modélisation (applications à des données réelles).
Mettre en œuvre cette modélisation à l'aide d'un logiciel de modélisation statistique avancé (logiciel R) et savoir interpréter les résultats obtenus.
Compétences visées
Statisticien modélisateur
Niveau
Niveau 6 (Bac+3 et Bac+4)
Contenu de la formation
I) Méthodes paramétriques
Régression linéaire simple et multiple : modèle, moindres carrés, estimations, intervalles de confiance, tests, colinéarité, sélection de variables, validation, prédiction, interprétation. Recherche de points (aberrants, influents, atypiques et de points leviers).
Analyse de la Variance : à 1 facteur (mesures indépendantes, répétées) et à 2 facteurs (mesures indépendantes)
Analyse de la Covariance (modèles, comparaison à la régression linéaire et à l'ANOVA à 1 facteur à mesures indépendantes, paradoxe de Lord)
Régression logistique : modèle probit et logit, estimations, tests, sélection de modèles, validation, prédiction.
Modèle linéaire généralisé (regression de Poisson, modèle polytomique)
Introduction à la modélisation Bayésienne
Introduction à l'analyse de séries temporelles
II) Méthodes non-paramétriques
Régression spline
Estimateurs par moyennes locales (estimateurs à noyau)
Régression polynomiale locale
L'enseignement comporte une initiation au logiciel R et une mise en oeuvre de ce logiciel dans diverses applications.
Modalités de validation
Projet(s)
L'évaluation se fera uniquement sous la forme de projets consistant en l'application des différentes méthodes de modélisation sur des données réelles. Cette évaluation sur projet sera complétée par une présentation orale.
Sous l’autorité pédagogique du certificateur Cnam, les équipes du Cnam Bretagne vous offrent un accompagnement pendant votre parcours de formation à la fois sur les aspects administratifs, financiers, pédagogiques et techniques.
ECTS : 9
Modalité | Volume horaire | Employeur | France travail | Auto-financement |
---|---|---|---|---|
|
60 heures | 1200 € | 350 € | 350 € |
Indexation officielle
FORMACODES
[C0A1B0A5A0] statistique inférentielle - [C0A1B0A5] théorie probabilités - [C0A1B0] statistique - [C0A1] mathématiques - [C0] sciences
[M0A2A2A1] méthode analyse - [M0A2A2] analyse programmation - [M0A2] informatique - [M0] information
communication
Mots clés
Application statistique, Statistique inférentielle, Estimation non paramétrique, Modèle linéaire, Modèle linéaire généralisé, Modélisation statistique, Régression linéaire, Régression logistique
Indicateurs de résultat
INFOS
PRATIQUES
60 heures
17/02/2025
21/06/2025