Ce cours comporte 3 chapitres indépendants : - Statistiques Bayésiennes : rappel sur les modèles statistiques paramétriques, modèle statistique Bayésien, définition des loi a priori, marginale et a posteriori, notion de lois a priori non informatives, loi a priori conjuguées, loi prédictive, intervalles de crédibilités et loi prédictive a posteriori, estimateur Bayésien. - Séries temporelles : définition d'une série temporelle, notion de stationnarité forte et faible, stationnarisation d'une série, fonction d'auto-correlation (partielle), processus auto-régressif et de moyenne mobile, extension aux séries ARMA jusqu'aux séries SARIMA, identification des ordres d'un SARIMA, rappel sur l'estimateur du maximum de vraisemblance et test, prédiction. - Statistiques non paramétriques : définition d'un modèle statistique non paramétrique, estimation non paramétrique de la densité, définition d'un noyau, estimateur de Parzen-Rosenblatt, étude de l'impact du noyau et de la fenêtre, propriété asymptotique de Parzen-Rosenblatt, validation croisée, si le temps le permet, extension à la régression non paramétrique via l'estimateur de Nadaraya-Watson.