Contributions aux méthodes bayésiennes approchées pour modèles complexes
Auteur / Autrice : | Clara Grazian |
Direction : | Christian P. Robert, Brunero Liseo |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences |
Date : | Soutenance le 15/04/2016 |
Etablissement(s) : | Paris Sciences et Lettres (ComUE) en cotutelle avec Università degli studi La Sapienza (Rome) |
Ecole(s) doctorale(s) : | Ecole doctorale SDOSE (Paris) |
Partenaire(s) de recherche : | Etablissement de préparation de la thèse : Université Paris Dauphine-PSL (1968-....) |
Laboratoire : Centre de recherche en mathématiques de la décision (Paris) | |
Jury : | Président / Présidente : Maria Maddalena Barbieri |
Examinateurs / Examinatrices : Maria Maddalena Barbieri, Kerrie L. Mengersen, Pierre Pudlo, Fabrizio Leisen | |
Rapporteurs / Rapporteuses : Kerrie L. Mengersen, Pierre Pudlo |
Mots clés
Mots clés contrôlés
Résumé
Récemment, la grande complexité des applications modernes, par exemple dans la génétique, l’informatique, la finance, les sciences du climat, etc. a conduit à la proposition des nouveaux modèles qui peuvent décrire la réalité. Dans ces cas,méthodes MCMC classiques ne parviennent pas à rapprocher la distribution a posteriori, parce qu’ils sont trop lents pour étudier le space complet du paramètre. Nouveaux algorithmes ont été proposés pour gérer ces situations, où la fonction de vraisemblance est indisponible. Nous allons étudier nombreuses caractéristiques des modèles complexes: comment éliminer les paramètres de nuisance de l’analyse et faire inférence sur les quantités d’intérêt,dans un cadre bayésienne et non bayésienne et comment construire une distribution a priori de référence.