Méthodes de Monte Carlo par chaînes de Markov
保存先:
| 第一著者: | |
|---|---|
| フォーマット: | Livre papier |
| 言語: | Français |
| 出版事項: |
Paris :
Économica
DL 1996.
Paris : Impr. Jouve |
| シリーズ: | Statistique mathématique et probabilité
|
| 主題: | |
| Autres localisations: | Voir dans le Sudoc |
目次:
- 1. Méthodes usuelles de simulation
- 1.1 Introduction
- 1.2 Générateurs de variables uniformes
- 1.3 Simulation de lois uniformes
- 2. Méthode de Monte-Carlo et optimisation stochastique
- 2.1 Introduction
- 2.2 Intégration par la méthode de Monte-Carlo
- 2.3 Optimisation stochastique
- 2.4 Accélération et contrôle
- 3. Chaines de Markov : stabilité et convergence
- 3.1 Chaines de Markov
- 3.2 Irréductibilité, atomes et petits ensembles
- 3.3 Transience et récurrence
- 3.4 Mesures invariantes
- 3.5 Ergodicité et invariance
- 3.6 Théorèmes limites
- 4. Méthodes de Monte-Carlo par chaines de Markov (1) : les algorithmes de Hastings-Metropolis
- 4.1 Principe général des méthodes MCMC
- 4.2 Typologie des algorithmes de Hastings-Metropolis
- 4.3 Optimisation et contrôle des algorithmes de Hastings-Metropolis
- 4.4 Un exemple pathologique de convergence lente
- 5. Méthodes de Monte-Carlo par chaines de Markov (2) : l'échantillonnage de Gibbs
- 5.1 Une méthode fondée sur les lois conditionnelles
- 5.2 Le cas particulier de l'augmentation de données
- 5.3 Convergence géométrique et opérateurs de transition
- 5.5 Du bon usage de l'échantillonnage de Gibbs
- 6. Contrôle de convergence des algorithmes de Monte-Carlo par chaines de Markov
- 6.1 Introduction
- 6.2 Méthodes graphiques et empiriques
- 6.3 Méthodes de contrôle probabiliste
- 6.4 Méthodes de contrôle par renouvellement
- 6.5 Méthodes de contrôle en parallèle
- 7. Modèles à données manquantes
- 7.1 Exemples introductifs
- 7.2 Mélanges finis de distributions
- 7.3 Extension des structures de mélanges
- 7.4 Modèles linéaires à effets aléatoires