Back to list

Méthodes bayésiennes en statistique


Authors : DROESBEKE Jean-Jacques

DROESBEKE Jean-Jacques

Jean-Jacques Droesbeke is Professor at the Free University of Brussels.

 

, FINE Jeanne

FINE Jeanne

, SAPORTA Gilbert

SAPORTA Gilbert

Ph.D. in mathematics

Position:
Professor at the Conservatoire National des Arts et Métiers (An higher public institution for life-long training - France)

Field of publication:
Statistics

Author of more than 100 scientific papers, Pr. Saporta published and co-authored 15 titles:
- Probabilités, analyse des données et statistiques (Ed. Technip)
- Plans d’expériences. Applications à l’entreprise (Ed. Technip)
- Méthodes bayesiennes en statistique (Ed. Technip)
- Modèles statistiques pour données qualitatives (Ed. Technip)
- Analyse statistique des données spatiales  (Ed. Technip)
- Analyse statistique des données longitudinales  (Ed. Technip)
- Approches non paramétriques en régression  (Ed. Technip)
- Modèles à variables latentes et modèles de mélange  (Ed. Technip)
- Approches statistiques du risque  (Ed. Technip)
- Méthodes robustes en statistique  (Ed. Technip)
- The Multiple Facets of Partial Least Squares Methods (Springer)
- Model Choice and Model Aggregation (Ed. Technip)
- L’analyse des données (PUF)
- Multivariate Quality Control (Physica Verlag)
- Apprentissage statistique et données massives (Ed. Technip)

Complementary information:
Pr. Saporta is president of the International Association for Statistical Computing and vice president of the International Statistical Institute
Home page : http://cedric.cnam.fr/~saporta/


ISBN : 9782710808138
trade paperback      16 x 24 cm      432 pages
Publication date : May 2002

Around the book


Cet ouvrage fait le point sur les méthodes bayésiennes et leurs applications, de plus en plus utilisées en fiabilité, économie et médecine, afin de mieux les appréhender, de stimuler leur usage ainsi que la recherche les concernant. L’approche bayésienne (du nom du théorème de Bayes permettant de calculer des probabilités a posteriori) permet d’utiliser les connaissances que l’on peut avoir a priori sur un phénomène aléatoire dans un modèle statistique. Cette approche complète la démarche inférentielle classique où l’on utilise uniquement l’information apportée par les observations pour estimer ou tester les valeurs d’un paramètre, les connaissances a priori n’intervenant que dans le choix du modèle paramétrique. Cet ouvrage est le fruit de la collaboration entre des spécialistes réputés réunis à l’occasion des 8es Journées d’Études en Statistique organisées par la SFdS au Centre International de Rencontres Mathématiques de Luminy.


Contents :


1. Thomas Bayes et son héritage. 2. Le paradigme bayésien. 3. Inférence bayésienne : principes généraux. 4. Modèles de base de l’analyse bayésienne. 5. Spécification de la distribution a priori. 6. Méthodes de calcul en analyse bayésienne. 7. Bases décisionnelles de l’analyse bayésienne. 8. Tests d’hypothèses et choix de modèles. 9. Propriétés asymptotiques des estimateurs bayésiens. 10. Estimation bayésienne de modèles de mélanges. 11. Quelques modèles de séries temporelles. 12. Inférence bayésienne non paramétrique et bootstrap. 13. Modèles de durée. 14. Estimation bayésienne de modèle multi-états markovien. Bibliographie. Index.