Channel slack. Pour pouvoir discuter et recevoir vos questions en dehors du cours, un channel slack est disponible ici https://join.slack.com/t/enscoursstatgtml/signup. Il faut utiliser votre adresse e-mail en @ens.​fr, @dma.​ens.​fr, @clipper.​ens.​psl.​eu ou @ens.​psl.​eu pour s’inscrire. Vous pouvez l’utiliser via un nagivateur web, mais c’est mieux d’utiliser l’application slack (à installer sur votre laptop).

Résumé

Le but de ce cours est d’étudier des méthodes statistiques et leurs propriétés d’un point de vue théorique. En fonction des goûts et du niveau d’allergie au clavier de chacun, on pourra s’attarder plus ou moins en profondeur sur des exemples d’applications. Nous essaierons de proposer dans ce cours 70% de contenus classiques et inévitables dans un cours de statistique et 30% de résultats récents et problèmes ouverts.

Quand et ou ?

Lien vers le calendrier

• Calendrier du cours de statistique

Notes de cours

Des notes de cours seront écrites au fur et à mesure, pour converger je l’espère vers un polycopié complet. Les chapitres suivants:

• Chapitre 1 (Statistical models)
• Chapitre 2 (Statistical inference)
• Chapitre 3 (Linear regression)
• Chapitre 4 (Bayesian statistics)
• Chapitre 5 (High-dimensional statistics and sparsity)
• Chapitre 6 (Maximum likelihood estimation and exponential models)

sont disponibles dans ce document :

• main.pdf

Des notes manuscrites sont disponibles pour les autres chapitres:

• Chapitre 7 (Generalized linear models and maximum likelihood estimation) : chap07.pdf
• Chapitre 8 (Optimal parametric tests) : chap08.pdf

Nous proposons aussi en dessous le polycopié de S. Boucheron:

• poly_statistiques.pdf

Travaux dirigés

• td01.pdf et correction01.pdf
• td02.pdf et correction02.pdf
• td03.pdf et correction03.pdf
• td04.pdf et correction04.pdf
• td05.pdf et correction05.pdf
• td06.pdf et correction06.pdf
• td07.pdf et correction07.pdf

Travaux pratiques (jupyter notebooks)

Voici quelques notebooks pour apprendre python et le “stack” python pour la science des données (principalement numpy, scipy, pandas, scikit-learn et statmodels)

• notebook01_python.ipynb
• notebook02_numpy.ipynb
• notebook03_scipy.ipynb
• notebook04_pandas.ipynb et images utilisées dans ce notebook: notebook04_pandas.png notebook04_series-dataframe.png et le jeu de données tips.csv
• notebook05_sklearn.ipynb
• notebook06_statmodels.ipynb

Partiel et examen 2019

• Partiel 2019 partiel_2019.pdf et sa correction partiel_2019_corrige.pdf
• Examen 2019 exam_2019.pdf

Partiel 2020

• Partiel 2020 partiel_2020.pdf et sa correction partiel_2020_corrige.pdf

Bibliographie

La bibliographie pourra également évoluer en fonction du contenu du cours

• S. Boucheron et R. Ryder. Notes de cours
• V. Rivoirard et G. Stoltz. Statistique en action Dunod
• P. Bickel and K. Doksum Mathematical Statistics, Basic Ideas and Selected Topics Pearson - J. A. Rice. Mathematical Statistics and Data Analysis Wadsworth
• D. Freedman. Statistical models. Cambridge University Press
• A. van der Vaart. Asymptotic statistics. Cambridge University Press
• L. Devroye et G. Lugosi. Combinatorial methods in density estimation Springer