Custom cover image
Méthodes de Monte-Carlo avec R / by Christian P. Robert, George Casella
Contributor(s): Resource type: Ressourcentyp: Buch (Online)Book (Online)Language: French Series: Collection Pratique R | SpringerLink BücherPublisher: Paris : Springer-Verlag France S.A.R.L, 2011Description: Online-Ressource (XVI, 256p, digital)ISBN:- 9782817801810
- 9781283355452
- 519.5
- 518/.282 23
- QA276-280
- QA298
Contents:
Summary: George CasellaSummary: Ce livre expose les principaux outils utilis?'s pour la simulation statistique du point de vue du programmeur et montre comment les impl menter sous R. Il pr sente les algorithmes de base pour la g n ration de donn es al atoires, les techniques de monte Carlo pour l int gration et l optimisation, les diagnostiques de convergence, les cha nes de Markov, les algorithmes adaptatifs et les algorithmes de Metropolis-Hastings and Gibbs. Tous les chapitres incluent des exercices. Les programmes R sont quant eux disponibles dans un package sp cifique. Le livre s adresse toute personne que la stimulatiPPN: PPN: 1651023646Package identifier: Produktsigel: ZDB-2-SMA
4.4 Taille effective et perplexité d'un échantillon4.5 Contrôles simultanés; 4.6 Rao-Blackwellisation et déconditionnement; 4.7 Méthodes d'accélération; 4.7.1 Simulations corrélées; 4.7.2 Variables antithétiques; 4.7.3 Variables de contrôle; 4.8 Exercices supplémentaires; Chapitre 5 Optimisation par les méthodes de Monte-Carlo; Guide du lecteur; 5.1 Introduction; 5.2 Méthodes d'optimisation numérique; 5.3 Recherche stochastique; 5.3.1 Une solution basique; 5.3.2 Méthodes de gradient stochastique; 5.3.3 Recuit simulé; 5.4 Approximation stochastique
8.2 Que contrôler et pourquoi ?
Title Page; Copyright Page; REMERCIEMENTS; AVANT-PROPOS; Table of Contents; Chapitre 1 Préliminaires; Guide du lecteur; 1.1 Introduction; 1.2 La librairie mcsm; 1.3 Distributions de probabilité prédéfinies en R; 1.4 Quelques mots sur le bootstrap; 1.5 Exercices supplémentaires; Chapitre 2 Génération de variables aléatoires; Guide du lecteur; 2.1 Introduction; 2.1.1 La simulation uniforme; 2.1.2 Méthode de la transformation inverse; 2.2 Méthodes de transformation générales; 2.2.1 Un générateur aléatoire normal; 2.2.2 Distributions discrètes; 2.2.3 Représentations par mélange
2.3 Méthodes de rejet2.4 Exercices supplémentaires; Chapitre 3 Intégration de Monte-Carlo; Guide du lecteur; 3.1 Introduction; 3.1.1 Intégration numérique; 3.2 L'intégration classique de Monte-Carlo; 3.3 Echantillonnage préférentiel; 3.3.1 Un changement arbitraire de mesure de référence; 3.3.2 Rééchantillonnage préférentiel; 3.3.3 Sélection de la loi instrumentale; 3.4 Exercices supplémentaires; Chapitre 4 Contrôler et accélérer la convergence; Guide du lecteur; 4.1 Introduction; 4.2 Evaluation de la variation; 4.3 Variance asymptotique de l'échantillonnage préférentiel
5.4.1 Optimisation d'approximations de Monte-Carlo5.4.2 Modèles à données manquantes et démarginalisation; 5.4.3 L'algorithme EM; 5.4.4 EM par Monte-Carlo; 5.5 Exercices supplémentaires; Chapitre 6 Algorithmes de Metropolis-Hastings; Guide du lecteur; 6.1 Introduction; 6.2 Aperçu sur la théorie des chaînes de Markov; 6.3 Algorithmes de Metropolis-Hastings élémentaires; 6.3.1 Un algorithme MCMC générique; 6.3.2 Algorithme de Metropolis-Hastings indépendant; 6.4 Sélection des lois de proposition; 6.4.1 Marches aléatoires; 6.4.2 Lois de proposition alternatives; 6.4.3 Choix de modèles
6.5 Taux d'acceptation6.6 Exercices supplémentaires; Chapitre 7 Echantillonneurs de Gibbs; Guide du lecteur; 7.1 Introduction; 7.2 L'échantillonneur de Gibbs à deux étapes; 7.3 L'échantillonneur de Gibbs à plusieurs étapes; 7.4 Données manquantes et variables latentes; 7.5 Structures hiérarchiques; 7.6 Autres considérations; 7.6.1 Reparamétrisation; 7.6.2 Rao-Blackwellisation; 7.6.3 Metropolis dans Gibbs et stratégies hybrides; 7.6.4 Distributions a priori impropres; 7.7 Exercices supplémentaires; Chapitre 8 Contrôle et adaptation des algorithmes MCMC; Guide du lecteur; 8.1 Introduction
No physical items for this record