Show simple item record

dc.contributor.advisorChopin, Nicolas
dc.contributor.authorRidgway, James
dc.date.accessioned2015-12-01T13:52:33Z
dc.date.available2015-12-01T13:52:33Z
dc.date.issued2015-09
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/15297
dc.description.abstractfrCe mémoire de thèse regroupe plusieurs méthodes de calcul d'estimateur en statistiques bayésiennes. Plusieurs approches d'estimation seront considérées dans ce manuscrit. D'abord en estimation nous considérerons une approche standard dans le paradigme bayésien en utilisant des estimateurs sous la forme d'intégrales par rapport à des lois \textit{a posteriori}. Dans un deuxième temps nous relâcherons les hypothèses faites dans la phase de modélisation. Nous nous intéresserons alors à l'étude d'estimateurs répliquant les propriétés statistiques du minimiseur du risque de classification ou de ranking théorique et ceci sans modélisation du processus génératif des données. Dans les deux approches, et ce malgré leur dissemblance, le calcul numérique des estimateurs nécessite celui d'intégrales de grande dimension. La plus grande partie de cette thèse est consacrée au développement de telles méthodes dans quelques contextes spécifiquesen
dc.language.isoenen
dc.subjectMonte-Carlo, Méthode deen
dc.subjectStatistique bayésienneen
dc.subjectGibbs, Mesures deen
dc.subject.ddc519.5en
dc.subject.classificationjelC15en
dc.subject.classificationjelC1en
dc.titleAvancées en statistiques computationelles Bayesiennes et approximation de mesures de Gibbsen
dc.title.alternativeAdvances in computational Bayesian statistics and the approximation of Gibbs measuresen
dc.typeThèseen
dc.description.abstractenThis PhD thesis deals with some computational issues of Bayesian statistics. I start by looking at problems stemming from the standard Bayesian paradigm. Estimators in this case take the form of integrals with respect to the posterior distribution. Next we will look at another approach where no, or almost no model is necessary. This will lead us to consider a Gibbs posterior. Those two approaches, although different in aspect, will lead to similar computational difficulties. In this thesis, I address some of these issuesen
dc.identifier.theseid2015PA090030en
dc.subject.ddclabelProbabilités et mathématiques appliquéesen
dc.rights.intranetnonen
hal.person.labIds


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record