Aller au contenu principal

Statistiques bayésiennes

Date de mise à jour :
Identifiant Offre Info : 03_2205945F
Organisme responsable : Data Value (ouvre dans un nouvel onglet)

Nouvelle recherche

Présentation de la formation

Objectifs

Acquérir la connaissance méthodologique et pratique de l'inférence bayésienne et ainsi être autonome dans l'utilisation des divers modèles.

Programme de la formation

L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits volumes de…

L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits volumes de données.- Introduction
  • Principes de l'inférence bayésienne
  • Le théorème de Bayes en détail (Illustration : le test PCR Covid)
- La logique bayésienne
  • Différences et complémentarités avec l'approche « fréquentiste »
  • Les probabilités a priori et a posteriori
  • La vraisemblance (likelihood)
  • Les lois de probabilité utilisées en modélisation bayésienne
  • Un premier exemple simple d'inférence bayésienne : estimation d'une proportion (calcul « à la main »). Illustration : les sondages d'intention de vote
  • Le calcul des posteriors avec la méthode Metropolis Hastings
MCMC : Markow Chains Monte Carlo
Exemple simple avec calcul détaillé
- Implémentation dans R
  • Le package JAGS
  • Le package WinBugs
  • Application sur un exemple simple : estimation d'une moyenne et d'un écart type :
  • Apport de l'inférence bayésienne par rapport à la logique « fréquentiste »
  • Mise en œuvre détaillée dans R (JAGS et WinBugs)
  • Examen des résultats
  • Règles d'Interprétation
- Conception de modèles complexes dans l'inférence bayésienne :
  • Exposé sur les modèles linéaires
  • Exposé sur les modèles linéaires généralisés
  • L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts,) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits volumes de données.
- Applications concrètes dans R avec nombreux exemples de traitement
  • Test de student pour la comparaison de deux moyennes (variances égales ou non)
  • ANOVA un facteur, ANOVA deux facteurs
  • Régression linéaire simple et multiple
  • Modèle linéaire généralisé, ANCOVA
  • Modèles linéaires à effets mixtes
  • Modèle linéaire généralisé : régression logistique
  • Aperçus sur les modèles avancés (GLMM poisson et binomial, binomial ANCOVA…)
- Introduction aux réseaux bayésiens

Validation et sanction

- Comprendre la logique de l'inférence bayésienne et la différence avec l'inférence classique.
- Être capable d'organiser les connaissances disponibles a priori.
- Connaître les stratégies de modélisation et leur traduction pratique dans les langages de programmation R, JAGS et WinBugs.
- Savoir choisir le bon modèle selon la problématique à traiter.
- Être capable de mettre en œuvre les analyses et d'interpréter les résultats.

Type de formation

Non certifiante

Niveau de sortie

Sans niveau spécifique

Durée, rythme, financement

Modalités pédagogiques

Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.

Durée

En centre

21 h

Financement

Conventionnement
Non
Financeurs
  • Bénéficiaire de l'action

    Programme : Entreprise, Individuel (AIF, POEI, Région individuel, autofinancement)

    Publics : Techniciens, ingénieurs, chargés d'études, statisticiens dans l'industrie, l'agroalimentaire, le domaine de la santé, les sociétés d'études et de conseil. Plus généralement toute personne désirant améliorer ses pratiques de l'inférence statistique

  • Entreprise

    Programme : Entreprise, Individuel (AIF, POEI, Région individuel, autofinancement)

    Publics : Techniciens, ingénieurs, chargés d'études, statisticiens dans l'industrie, l'agroalimentaire, le domaine de la santé, les sociétés d'études et de conseil. Plus généralement toute personne désirant améliorer ses pratiques de l'inférence statistique

Conditions d'accès

Publics visés

  • Salarié
  • Tout public

Informations sur les publics

Techniciens, ingénieurs, chargés d'études, statisticiens dans l'industrie, l'agroalimentaire, le domaine de la santé, les sociétés d'études et de conseil. Plus généralement toute personne désirant améliorer ses pratiques de l'inférence statistique

Niveau d'entrée

Sans niveau spécifique

Conditions spécifiques et prérequis

Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont les formations Statistique descriptive (exploratoire) : savoir décrire des observations, Statistique décisionnelle (inférentielle) : savoir décider au vu des observations et Régression linéaire, logistique et analyse de la variance ou d'avoir atteint par la pratique un niveau équivalent

Lieu de réalisation de l'action

Modalités d'enseignement

Formation entièrement en présentielle

Adresse

33 Rue de la République
69002 Lyon 2e

Responsable : ASI

Périodes prévisibles de déroulement des sessions

Début

Fin

Adresse d'inscription
41 rue de la Découverte
31676 Labège
État du recrutement
Ouvert
Modalités
Entrées / Sorties à dates fixes