Il corso si propone di affrontare in modo rigoroso il problema di stimare una distribuzione senza fare assunzioni parametriche. Lo stesso problema verrà formulato in termini di stima di funzioni di ripartizione e di stima di densità. Diversi strumenti e metodi saranno considerati, con attenzione a vantaggi e svantaggi, teorici e computazionali, di ciascuno. Altri temi che saranno toccati riguarderanno i modelli di regressione non parametrici e i test per il goodness-of-fit.

Il corso sarà diviso in due parti dove gli stessi temi verranno trattati seguendo un approccio prima classico e poi bayesiano. Il corso si occuperà sia dello studio delle proprietà teoriche dei modelli nonparametrici che della loro implementazione per l’analisi dati. I laboratori richiederanno l’utilizzo degli strumenti numerici più adatti all’implementazione dei modelli nonparametrici, strumenti che includono algoritmi di ottimizzazione e algoritmi di simulazione di tipo Markov chain Monte Carlo (MCMC).