HomePage Pierre Pudlo

UM2

 
 

  1. -Statistique : Classification non-supervisée, Théorèmes asymptotiques, ABC (Approximation Bayesian Computation)

  2. -Probabilités appliquées : méthodes de Monte-Carlo, modèles probabilistes de l’ADN


Groupe de travail «Modèle probabiliste pour l’évolution», animé par E. Pardoux, LATP, Université de Provence

Groupe de travail «Modèles stochastiques pour l’écologie et la biologie», animé par F. Campillo, INRIA.


Co-organisateur du Séminaire de statistique de Montpellier


Co-organisateur des Journées de Statistique du Sud 2010 à Mèze.


Encadrement du stage de M2 de Mohammed Sedki


Membre des projets ANR :

    - CLARA (Clustering in High Dimension: Algorithms and Applications), dirigé par B. Pelletier, voir ICI

    - MANEGE (Modèles aléatoires en Ecologie, Génétique et Evolution), dirigé par S. Méléard.

 

Recherche


nom  Pierre Pudlo

STATUT  Maître de conférence

Laboratoire  Institut de Mathématiques et Modélisation de Montpellier

COORDONNÉes
Université Montpellier 2
CC051, place E. Bataillon,
34095 Montpellier CEDEX

Tel. 04 67 14 42 11
Mail <pierre.pudlo (at) univ-montp2.fr>

Preprints

  1. -Pudlo, P. Large deviations and full Edgeworth expansions for finite Markov chains with applications to the analysis of genomic sequences. À paraître dans ESAIM P&S

  2. -Pelletier, B. and Pudlo, P. Operator norm convergence of spectral clustering on level sets. Soumis

  3. -Cadre, B., Pelletier, B. and Pudlo, P. Clustering by estimation of density level sets at a fixed probability. Soumis

  4. -Arias-Castro, E., Pelletier, B. and Pudlo, P. The Cheeger Constant: from Discrete to Continuous. Soumis

Enseignements

  1. -FMMA108, Réseaux et files d’attente,  M1 Mathématiques et statistique (25 h cours + 25 hTD).

        Processus de Poisson, chaînes de Markov, processus de sauts, modélisation markovienne de files d’attente.


- FLMA611, Dépendance et modèles temporels, L3 MASS (24h cours, 27h TD)

        Utilisation de la théorie de la mesure en probabilité, loi des grands nombres et théorème central limite, initiation aux

        chaînes de Markov, (et, si le temps le permet, martingales)


  1. -FLMA509, Biostatistique avancée, L3 Biologie, (21 h cours + 13.5h TP)

        R, Statistique descriptive, échantillonnage, échantillons gaussiens, régression linéaire (à une covariable), ANOVA.

        En TP, utilisation de R commander, ce qui permet d’utiliser des fonctions dans des menus, plutôt que de taper

        des lignes de commandes.


  1. -FMMA308, Classification Supervisée et Non-Supervisée, M2 Biostatistique (10h cours) 

        Similarité, classification hiérarchique, k-means, modèles de mélange

        (La moitié supervisée de ce module est réalisée par Élodie Brunel)


  1. -ZMMA308, Traitement statistiques de données avec R, M2 Biostatistique (6h cours)

        Discrimination par la méthode des k plus proches voisins, et classification. CART