Les travaux en cours des chercheurs en statistique sont exposés dans le cadre d’un groupe de travail qui se réunit tous les 15 jours, et parfois davantage. De plus, des orateurs extérieurs au groupe proprement dit sont souvent invités pour présenter leurs travaux. Le programme et les résumés des exposés se trouvent sur le site http://www.math-info.univ-paris5.fr/map5/-Groupe-de-travail-en-Statistiques-.

Nous présentons les activités du groupe de Statistique en les subdivisant en thèmes.

Thème 1 : Processus stochastiques et applications

1. Statistique des processus, processus de diffusions
2. Modèles de Markov, Markov cachés, filtrage, prédiction, estimation
3. Processus Ponctuels

Thème 2 : Statistique en présence de données manquantes

Nous regroupons sous le terme de « données manquantes » les notions très différentes de censure et troncature en survie, et de bruit de mesure dansles problèmes de déconvolution.

1. Sélection de modèles pour des modèles de survie avec censure
2. Estimation du risque instantané dans un modèle d’analyse de survie où les covariables sont mesurées avec erreur
3. Estimation efficace pour des données arbitrairement tronquées et censurées
4. Analyse de survie pour des durées dépendantes
5. Estimation d’ordre
6. Modèles observés avec erreur, déconvolution

Thème 3 : Epidémiologie

Le thème de l’épidémiologie est abordé par plusieurs membres du laboratoires, avec des contributions naturellement plus tournées vers des applications ciblées, d’où des développements assez apparentés à des projet d’ application.

1. Imputabilité d’un cancer du poumon à une exposition professionnelle
2. Validation par prédiction dans les modèles d’analyses géographiques
3. Epidémiologie du Sida à Cuba
4. Epidémiologie génétique
5. Epidémiologie VIH

Thème 4 : Algorithmes statistiques

L’algorithmique et la programmation jouent un rôle clef en statistique car aucune nouveauté théorique, aucun estimateur ne peut se dispenser d’une implémentation confirmant si l’idée est au point ou nécessite d’être encore améliorée. Ces développements sont souvent délicats, de plus en plus perfectionnés, et peuvent eux-mêmes retourner des questions très pertinentes.

1. Apprentissage Statistique
2. Prédiction de survie à partir de données génomiques et cliniques et sélection de variables : Forêt de survie
3. Réseaux de neurones. Apprentissage Bayésien pour la prédiction de survie à partir de données hétérogènes CGH (Comparative Genomic Hybridization) et cliniques.
4. Accélération des algorithmes stochastiques
5. Algorithmes de pénalisation
6. Classification supervisée