L’objectif de ce cours est de présenter des approches statistiques permettant d’analyser des données multidimensionelles. Cet enseignement donne la même importance aux fondements théoriques et à la pratique de l’analyse statistique multidimensionnelle. La mise en application des méthodes d'analyse statistique multidimensionelle se fera, avec le logiciel R, pendant les travaux pratiques. L'analyse statistique multidimensionnelle intervient dans de nombreux domaines d'applications : finance, économie, biologie, sciences pour l'environnement,...

1. Régression linéaire multiple. Moindres carrés, modèle linéaire gaussien, tests d’hypothèses linéaires,
2. Analyse de la variance à un et deux facteurs contrôlés.
3. Analyse en Composantes Principales (ACP).
4. Classification, classification supervisée, analyse linéaire discriminante, classification non-supervisée, K-means.

Cours de Probabilités Appliquées 1 et 2 de 1ère année, de Principes et Méthodes Statistiques de 1ère année

CM BISHOP (2006) Pattern recognition and machine Learning. Springer
http://research.microsoft.com/en-us/um/people/cmbishop/prml/

C. CHATFIELD and AJ COLLINS (1980) Introduction to multivariate analysis. Science paperbacks

T HASTIE, R TIBSHIRANI, and J FRIEDMAN (2009). The Elements of Statistical Learning, 2d ed, Springer. http://www-stat.stanford.edu/~tibs/ElemStatLearn/

G. SAPORTA : Probabilités, statistique et analyse des données, Technip, 2006.

Un examen écrit de 3 h (E) et un rapport à rendre sur les travaux pratiques (P).

N1=1/2E1+1/2P
N2=E2