Statistique et science des données à l’UQAM

La statistique et la science des données sous-tendent de nombreux efforts dans la société. Que ce soit à partir de données spatiales pour la reconnaissance d’images, de données d’études cliniques pour déterminer l’effet d’un traitement biomédical ou de données administratives pour l’élaboration de politiques publiques, la méthodologie statistique est à la base de la recherche en sciences naturelles, sociales et de la santé. La statistique connaît actuellement des changements importants dans ses techniques et ses approches. Cette (r)évolution est motivée par la nécessité d’analyser des ensembles de données de plus en grands et complexes. Ces défis statistiques sont approchés de diverses manières (théorique, méthodologique et computationnelle) ayant toutes leur pertinence pour la résolution de ceux-ci.

Nouvelles

Conférence organisée par les étudiants de STATQAM (voir plus bas)
Bourses de recrutement pour étudiants à la maîtrise pour l’automne 2019 : [lien]

Conférence organisée par les étudiants de STATQAM

Le Sommet étudiant de la statistique à Montréal est une journée de conférences et d’activités dédiée aux étudiant-es francophones de la région. À l’affiche : conférences invitées de Sahir Bhatnagar (université McGill) et de Jeffrey Rosenthal (Professeur à l’université de Toronto), conférences étudiantes, dîner et 5 à 7. Inscription sur sesam2019.ca

Nous invitons tous les membres de STATQAM à soutenir cette initiative ainsi qu’à participer à la conférence donnée par Jeffrey Rosenthal (vendredi 15 mars, 15:15-16:15, salle PK-1140)

Titre: L’adaptation de l’algorithme Metropolis

Résumé : L’algorithme Metropolis est le plus utilisé de tous les algorithmes Markov chain Monte Carlo (MCMC). Mais, il ne réussit pas si la distribution instrumentale n’est pas bien choisie. L’adaptation est l’idée de modifier la distribution instrumentale automatiquement pendant que l’algorithme marche. Ces modifications détruisent la propriété markov de l’algorithme, alors ce n’est plus garanti qu’il va converger à la bonne distribution cible. Nous proposons des conditions accessibles qui assurent que les algorithmes adaptatifs vont toujours bien converger. Nous illustrons les algorithmes et les idées avec des simulations graphiques Javascript.