Méthodes Monte-carlo, Application Bayésienne
Résumé: 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
Mots-clès:
Nos services universitaires et académiques
Thèses-Algérie vous propose ses divers services d’édition: mise en page, révision, correction, traduction, analyse du plagiat, ainsi que la réalisation des supports graphiques et de présentation (Slideshows).
Obtenez dès à présent et en toute facilité votre devis gratuit et une estimation de la durée de réalisation et bénéficiez d'une qualité de travail irréprochable et d'un temps de livraison imbattable!
Aucun fichier associé
Si le fichier est volumineux, l'affichage peut échouer. Vous pouvez obtenir le fichier directement en cliquant sur le bouton "Télécharger".
