Principaux chapitres de ce rapide survol de l'histoire de la statistique: La statistique descriptive - La probabilité - Les sondages - L'émergence de l'inférence statistique - Statistique non paramétrique et robustesse - L'analyse des séries chronologiques - L'analyse des données.

Histoire de la statistique

Eléments de statistique

Comme beaucoup, vous êtes passionnée ou passionné par l'explosion de données numériques à laquelle nous assistons aujourd'hui, qui nous promet des avancées économiques, sociales et culturelles de tous ordres. Et en même temps, vous restez dubitative ou dubitatif sur les façons de vous approprier tous ces nombres, de reprendre le contrôle sur ce nouveau vocabulaire parfois surprenant, sinon abscons. Ce livre peut vous aider à explorer le monde des données ! 

Les données d'aujourd'hui prennent appui sur une longue et passionnante histoire de la statistique et de ses outils qui nous permet de leur donner sens, que l'on soit spécialiste ou pas. Les chapitres sont regroupés en dix parties, dont l'ordonnancement donne une direction générale à l'ouvrage, qui est chrono-thématique : on part des plus anciennes données retrouvées (à Sumer) pour arriver en fin d'ouvrage au monde contemporain, et à chaque étape on aborde une question relative aux données (qu'est-ce que la corrélation ? un événement rare ? un bon graphique ? .). Une grande liberté proposée par ce livre est qu'il n'est pas nécessaire de le lire linéairement

Histoire(s) de(s) données numériques

" Statistique et mathématiques appliquées " (SMA) est une collection des Editions de l'Université de Bruxelles et des Editions Ellipses (Paris). SMA couvre l'ensemble des domaines liés à la statistique et aux mathématiques appliquées et met à la disposition du chercheur, de l'enseignant, de l'étudiant et de l'homme actif, des ouvrages couvrant les acquis théoriques et la pratique.
Chaque jour davantage, l'étudiant, le chercheur, l'homme curieux se trouvent devant la nécessité de comprendre et de maîtriser des informations aussi nombreuses que variées Certaines sont précises, d'autres assez confuses. Parfois (trop souvent), on ne sait ce qu'elles représentent, ni d'où elles viennent. Leur aspect n'est pas toujours avenant, nous ne savons souvent qu'en faire. Et pourtant, elles ont beaucoup à dire et nous pouvons les entendre à condition de suivre quelques règles de base relativement simples. Le bon sens, la logique sous-tendent la méthodologie statistique. Savoir choisir l'information où elle se trouve, l'organiser, la regarder, la présenter aux autres (et à soi-même), en découvrir les faits marquants, l'interpréter et la traduire, autant de raisons de lire cet ouvrage destiné à ceux qui, sans être forts en math, veulent comprendre et appliquer les éléments de cette méthode qui constitue une facette importante de la compréhension de notre monde. Ce volume constitue la troisième édition de l'ouvrage. L'auteur a remanié complètement son texte dans le but d'en faciliter la lecture, d'expliciter davantage certains concepts et de développer des exemples nouveaux.

Elements de statistique

Les plans d expériences permettent de fournir le meilleur protocole expérimental pour modéliser ou prédire une réponse en fonction de facteurs de variabilité, selon un modèle présumé. Si l expérimentation est aussi ancienne que la science, la planification expérimentale, destinée à optimiser le processus d obtention des données, ne date cependant que du XXe siècle, avec les travaux de Fisher pour l agronomie, et a donné lieu à des développements algébriques remarquables, essentiellement pour des facteurs qualitatifs. Les principes des plans d expériences se sont développés dans diverses branches de la recherche industrielle, en particulier en chimie avec les plans pour surfaces de réponse du second degré et les plans de mélange où les facteurs sont des proportions de constituants. Dans ces deux cas, les facteurs sont quantitatifs. La démarche d amélioration de la qualité, popularisée par Taguchi, utilise abondamment certains types de plans fractionnaires orthogonaux. La recherche directe de plans optimisant certains critères, comme la D-optimalité, conduit à des développements analytiques et algorithmiques très utiles lorsque le domaine expérimental est irrégulier. La synthèse de ces diverses approches, très différentes en apparence pour les utilisateurs, tant par les vocabulaires que par les techniques et les champs d application a fait l objet d une école organisée par l ASU (Association pour la Statistique et ses Utilisations). Ce livre en est le fruit et s adresse à un public de scientifiques (chercheurs, enseignants, ingénieurs) désireux de faire le point sur ces techniques et de connaître les développements les plus récents (plans pour modèles non linéaires, par exemple). En plus d un exposé rigoureux et pédagogique, des applications dans différents domaines illustrent la variété mais aussi l unité de la démarche.

Plans d'expériences : applications à l'entreprise

For over fourty years, choosing a statistical model thanks to data consisted in optimizing a criterion based on penalized likelihood (H. Akaike, 1973) or penalized least squares (C. Mallows, 1973). These methods are valid for predictive model choice (regression, classification) and for descriptive models (clustering, mixtures). Most of their properties are asymptotic, but a non asymptotic theory has emerged at the end of the last century (Birgé-Massart, 1997). Instead of choosing the best model among several candidates, model aggregation combines different models, often linearly, allowing better predictions. Bayesian statistics provide a useful framework for model choice and model aggregation with Bayesian Model Averaging.

In a purely predictive context and with very few assumptions, ensemble methods or meta-algorithms, such as boosting and random forests, have proven their efficiency.

This volume originates from the collaboration of high-level specialists: Christophe Biernacki (Université de Lille I), Jean-Michel Marin (Université de Montpellier), Pascal Massart (Université de Paris-Sud), Cathy Maugis-Rabusseau (INSA de Toulouse), Mathilde Mougeot (Université Paris Diderot), and Nicolas Vayatis (École Normale Supérieure de Cachan) who were all speakers at the 16th biennal workshop on advanced statistics organized by the French Statistical Society. In this book, the reader will find a synthesis of the methodologies' foundations and of recent work and applications in various fields.

The French Statistical Society (SFdS) is a non-profit organization that promotes the development of statistics, as well as a professional body for all kinds of statisticians working in public and private sectors. Founded in 1997, SFdS is the heir of the Société de Statistique de Paris, established in 1860. SFdS is a corporate member of the International Statistical Institute and a founding member of FENStatS-the Federation of European National Statistical Societies.

Histoire de la statistique

Résumé

Plus de livres de Jean-Jacques Droesbeke

Critiques

Ce livre n'a pas encore de critiques