Méthodes de Calcul Statistique dans MATLAB

Détails de la formation

Cette formation de deux jours vous apporte une expérience pratique dans l’analyse statistique de données avec MATLAB^® et Statistics and Machine Learning Toolbox™. Au travers d’exemples et exercices vous apprendrez à utiliser les fonctionnalités appropriées du produit tout au long du processus d’analyse, incluant l’importation et l’organisation de données, l’analyse exploratoire, l’analyse confirmatoire, et la simulation.

Les sujets suivants sont étudiés :

Manipulation de données
Statistiques descriptives
Visualisation de données
Ajustement de distributions
Tests de significativité
Analyse de variance
Ajustement de modèles de régression
Réduction de données
Générateurs de nombres aléatoires et simulations

Cette formation est enregistrée auprès de GARP et équivaut à 14 heures de crédits GARP CDP. Si vous êtes certifié FRM ou ERP, veuillez enregistrer ces heures sur votre compte à l'adresse https://www.garp.org/cpd.

Jour 1

Importation et organisation de données

Objectif : Importer des données dans MATLAB et les organiser à des fins d'analyse. Des problèmes courants, tels que fusionner des données et gérer des données manquantes, sont mis en évidence.

Importation des données
Types de données
Tables de données
Fusionner des données
Données catégorielles
Données manquantes

Exploration de données

Objectif : Acquérir les bases de l'analyse statistique d'un jeu de données telles que la visualisation et le calcul de statistiques descriptives.

Tracés
Tendance centrale
Dispersion
Formes de distributions
Corrélations
Données groupées

Distributions

Objectif : Découvrir les différentes distributions de probabilité et ajuster des distributions à un jeu de données.

Distributions de probabilité
Paramètres de distribution
Comparer et ajuster des distributions
Ajustement non paramétrique

Tests d'hypothèse

Objectif : Valider une affirmation en fonction d'un jeu de données. Les utilisations classiques des tests d'hypothèse, telles que comparer deux distributions et déterminer les intervalles de confiance pour une valeur moyenne, sont mises en évidence.

Tests d'hypothèse
Tests d'une distribution normale
Tests d'une distribution non normale

Jour 2

Analyse de variance

Objectif : Comparer des moyennes d'échantillons de différents groupes et déterminer les différences significatives entre ces groupes.

Comparaisons multiples
One-way ANOVA
N-way ANOVA
MANOVA
Nonnormal ANOVA
Corrélations catégorielles

Régression

Objectif : Effectuer de la modélisation prédictive pour ajuster des modèles linéaires et non-linéaires à un jeu de données. Les techniques pour améliorer la qualité d'un modèle sont détaillées.

Modèles de régression linéaire
Ajuster les modèles linéaires aux données
Evaluer l'adéquation
Mise au point du modèle
Régression linéaire généralisée
Régression non linéaire

Traitement de données à plusieurs dimensions

Objectif : Se familiariser avec les techniques de réduction des dimensions d'un jeu de données.

Transformation de caractéristiques
Sélection de caractéristiques

Nombres aléatoires et simulation

Objectif : Utiliser les nombres aléatoires pour évaluer l'incertitude ou la sensibilité sur un modèle, ou effectuer des simulations. La génération de nombres aléatoires à partir de diverses distributions et la gestion des algorithmes MATLAB de génération de nombre aléatoire sont détaillées.

Bootstrap et simulation
Générateurs de nombres aléatoires
Générer des nombres aléatoires avec une distribution arbitraire
Contrôler le flux de nombre aléatoire

Niveau: Intermédiaire

Pré-requis:

Les fondamentaux MATLAB et une bonne connaissance des statistiques

Durée: 2 jours

Langues: Deutsch, English, Français, 日本語, 한국어

Afficher les formations à venir

Formations associées

Machine Learning avec MATLAB

Apprenez à créer des modèles de régression, de classification et de clustering et à améliorer leurs performances.

Techniques d’optimisation dans MATLAB

Apprenez à résoudre des problèmes d’optimisation locale et globale dans MATLAB en définissant les contraintes et objectifs et en choisissant les optimiseurs appropriés.