Résumé (FR)

Cet ouvrage couvre l'approche dite bayésienne de l'inférence statistique et en particulier ses aspects décisionnels. Les bases de cette axiomatique (choix de l'a priori, décisions optimales, tests et régions de confiance) sont abordées en détail, ainsi que des ouvertures plus récentes de l'analyse bayésienne comme le choix de modèles, l'utilisation de méthodes numériques stochastiques d'approximation (MCMC), la théorie des lois non informatives (axiomes de Berger-Bernardo) et la relation à la théorie classique de l'admissibilité. Chaque chapitre est complété par une suite extensive d'exercices de difficulté croissante et par des notes bibliographiques sur les thèmes abordés. Ce livre peut être utilisé dans un programme de Master en Mathématiques appliquées, en Biométrie, en Économétrie ou dans tout autre programme faisant appel aux techniques quantitatives de traitement de l'information. Il ne nécessite comme préliminaire qu'un cours de base en théorie des probabilités et en statistique mathématique. Il peut également être utilisé par des étudiants en thèse ou des chercheurs confirmés en quête d'une méthodologie statistique efficace pour l'analyse de leur(s) modèle(s).