![[featured_estdens.png]] (english follows) # Estimation de densité non-paramétrique par méthode à noyau, avec ou sans erreur sur la mesure **[[ClubMath Est Dens Noyau.pdf|Slides]]** Une intéressante étape préemptive d'exploration de données univariées peut être l'estimation de densité de probabilité, qui donne une idée globale de la forme des données, ce qui est similaire à ce que l'histogramme ferait. Toutefois, une approche paramétrique n'est pas toujours justifiable. Une méthode simple et puissante pour l'estimation de densité sans imposer de famille paramétrique à la distribution d'échantillon des données est la méthode d'Estimation de Densité à Noyau (KDE). J'offre un survol de la méthode, une introduction au contexte d'erreur de mesure et je décris une estension de la méthode d'estimation à noyau qui vient contourner partiellement l'erreur sur la mesure, nommé Estimation de Densité à Noyau de Déconvolution (DKDE). ------ # Non-parametric density estimation with the kernel method, with and without measurement errors **[[ClubMath Est Dens Noyau.pdf|Slides]]** Estimating the probability density of random variables gives an interesting preview of data distribution. However, a parametric approach isn't always justifiable. A simple and powerful method to estimate a density without imposing a parametric shape is the Kernel Density Estimation (KDE). I give an overview of the method, an introduction to measurement error and I describe an extension of the kernel density estimation that partially circumvents measurement errors, named Deconvolution Kernel Density Estimation (DKDE).