Méthodes Monte-Carlo, application Bayésienne
| dc.contributor.author | Touam, Abderrazak | |
| dc.date.accessioned | 2019-05-19T13:05:15Z | |
| dc.date.available | 2019-05-19T13:05:15Z | |
| dc.date.issued | 2018 | |
| dc.description | 67f. : ill. ; 30 cm + ( CD-Rom ) | en |
| dc.description.abstract | Dans ce mémoire, nous étudions les méthodes de Monte-Carlo, application de bayésienne. Dans le premier chapitre, nous présentons l'analyse statistique bayésienne, nous montrons dans ce chapitre la théorie de Bayes, puis les lois a priori, en plus les bases de la théorie de la décision qui contient l'estimation de Bayes. Dans le chapitre 2, les méthodes d'estimation Monte-Carlo avec un bref aperçu des méthodes de simulation par chaînes de Markov (MCMC). Nous nous intéressons en particulier aux deux algorithmes qui sont utiles pour ces méthodes: il s'agit de l'algorithme Metropolis-Hastings et la méthode d'échantillonnage de Gibbs. Cette dernière a été utilisée par Geman et Geman (84) pour générer des observations à partir d'une distribution de Gibbs . Il s'agit d'une forme particulière de méthode de Monte-Carlo par chaîne de Markov qui, du fait de son e_cacité, est largement utilisée dans de nombreux domaines d'analyse statistique bayésienne. Dans le chapitre 3, nous verrons l'application des méthodes MCMC à la détection des points de rupture, la détection des points de changement est un sujet d'intérêt pour de nombreuses statistiques appliquées et théoriques. depuis les années soixante-dix | en |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/2672 | |
| dc.language.iso | fr | en |
| dc.publisher | UMMTO | en |
| dc.subject | Méthodes de Monte-Carlo | en |
| dc.subject | Analyse statistique Bayésienne | en |
| dc.subject | Chaîne de Markov | en |
| dc.subject | Echantillonnage de Gibbs | en |
| dc.title | Méthodes Monte-Carlo, application Bayésienne | en |
| dc.type | Thesis | en |