Titre de série :	Collection Statistique et probabilités appliquées
Titre :	Le raisonnement bayésien : Modélisation et inférence
Type de document :	texte imprimé
Auteurs :	Eric Parent, Auteur ; Bernier, Jacques, Auteur
Editeur :	springer
Année de publication :	2007
Importance :	364p
ISBN/ISSN/EAN :	978-2-287-33906-6
Langues :	Français (fre) Langues originales : Français (fre)
Index. décimale :	519
Résumé :	Cet ouvrage expose de façon détaillée la pratique de l'approche statistique bayésienne à l'aide de nombreux exemples choisis pour leur intérêt pédagogique. Il insiste particulièrement sur l'emploi du raisonnement conditionnel qui fonde la cohérence profonde des méthodes de la modélisation et de l'inférence statistique sous le paradigme bayésien. 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. Si nécessaire, un rappel de leur cadre théorique essentiel est présenté sans démonstration. 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. Il peut servir de support à un cours de modélisation ou de statistique appliquée dans un programme de Master ou d'École d'Ingénieurs. Il s'adresse également aux chercheurs et utilisateurs désireux de s'assurer de la pertinence des méthodes qu'ils emploient. Le débutant, au prix d'un investissement intellectuel acceptable, aussi bien que le spécialiste, pourront y trouver les informations fondamentales pour comprendre et mettre en oeuvre des modèles répondant à leurs besoins spécifiques.
Note de contenu :	Sommaire 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 Motivations du calcul bayésien Méthodes exactes et modèles unidimensionnels Représentations multidimensionnelles Les méthodes asymptotiques Simulation Monte Carlo avec indépendance Chaînes de Markov et simulations Monte Carlo Algorithme de Metropolis-Hastings Algorithme de Gibbs Algorithmes MCMC et par - delà Conclusions

Collection Statistique et probabilités appliquées. Le raisonnement bayésien : Modélisation et inférence [texte imprimé] / Eric Parent, Auteur ; Bernier, Jacques, Auteur . - springer, 2007 . - 364p.
ISBN : 978-2-287-33906-6
Langues : Français (fre) Langues originales : Français (fre)

Index. décimale :	519
Résumé :	Cet ouvrage expose de façon détaillée la pratique de l'approche statistique bayésienne à l'aide de nombreux exemples choisis pour leur intérêt pédagogique. Il insiste particulièrement sur l'emploi du raisonnement conditionnel qui fonde la cohérence profonde des méthodes de la modélisation et de l'inférence statistique sous le paradigme bayésien. 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. Si nécessaire, un rappel de leur cadre théorique essentiel est présenté sans démonstration. 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. Il peut servir de support à un cours de modélisation ou de statistique appliquée dans un programme de Master ou d'École d'Ingénieurs. Il s'adresse également aux chercheurs et utilisateurs désireux de s'assurer de la pertinence des méthodes qu'ils emploient. Le débutant, au prix d'un investissement intellectuel acceptable, aussi bien que le spécialiste, pourront y trouver les informations fondamentales pour comprendre et mettre en oeuvre des modèles répondant à leurs besoins spécifiques.
Note de contenu :	Sommaire 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 Motivations du calcul bayésien Méthodes exactes et modèles unidimensionnels Représentations multidimensionnelles Les méthodes asymptotiques Simulation Monte Carlo avec indépendance Chaînes de Markov et simulations Monte Carlo Algorithme de Metropolis-Hastings Algorithme de Gibbs Algorithmes MCMC et par - delà Conclusions