Raisonnement bayésien. Modélisation et inférence Coll. Statistique et probabilités appliquées
Langue : Français
Auteurs : BERNIER Jacques, DODGE Yadolah, PARENT Éric
Cet ouvrage expose de façon détaillée la pratique de l'approche
statistique bayésienne à l'aide de nombreux exemples choisis pour leur
intérêt pédagogique. La première partie donne les principes généraux de
modélisation statistique permettant d'encadrer mais aussi de venir au
secours de l'imagination de l'apprenti modélisateur. En examinant des
exemples de difficulté croissante, le lecteur forge les clés pour
construire son propre modèle. La seconde partie présente les algorithmes
de calcul les plus utiles pour estimer les inconnues du modèle. Chaque
méthode d'inférence est présentée et illustrée par de nombreux cas
d'applications. Le livre cherche ainsi à dégager les éléments clés de la
statistique bayésienne, en faisant l'hypothèse que le lecteur possède les
bases de la théorie des probabilités et s'est déjà trouvé confronté à des
problèmes ordinaires d'analyse statistique classique.
L'analyse bayésienne. La décision en présence d'information.
Représentation probabiliste des connaissances. Risque et aide bayésienne à
la décision. Comment construire un modèle ? Construire un modèle brique
par brique. Le calcul bayésien. Motivations du calcul bayésien. Méthodes
exactes et modèles unidimensionnels. Représentations multidimensionnelles.
Les méthodes asymptotiques. Simulation Monte Carlo avec indépendance.
Algorithme de Metropolis-Hastings. Algorithme de Gibbs. Algorithmes MCMC
et par delà. Conclusions. Annexes. Bibliographie. Index.
Thème de Raisonnement bayésien. Modélisation et inférence :
© 2024 LAVOISIER S.A.S.