• Aide
  • Eurêkoi Eurêkoi

Livre

Pratique du calcul bayésien

Résumé

Grâce à de nombreux exemples concrets, les auteurs présentent la construction de modèles bayésiens et le maniement de l'imposant arsenal de calcul nécessaire à leur mise en oeuvre dans le domaine des sciences de l'environnement.


  • Autre(s) auteur(s)
  • Éditeur(s)
  • Date
    • DL 2009
  • Notes
    • Bibliogr. Index
  • Langues
    • Français
  • Description matérielle
    • 1 vol. (333 p.) : ill., couv. ill. en coul. ; 24 cm
  • Collections
  • Sujet(s)
  • ISBN
    • 978-2-2879-9666-5 ;
    • 978-2-287-99666-5
  • Indice
    • 519 Probabilités et statistiques mathématiques
  • Quatrième de couverture
    • Pratique du calcul bayésien est né de l'expérience acquise lors des cours donnés en sciences de l'environnement, tant à l'université de Liège (Arlon), qu'à la grande école AgroParisTech (Paris). Son fil conducteur peut se résumer par la locution «de la plume à la souris», tournure empruntée à un opuscule retraçant la vie d'une école fréquentée jadis par le premier auteur. La première partie privilégie les modèles statistiques paramétriques calculables «à la plume» et cependant très riches, tant du point de vue de la présentation des concepts fondateurs du paradigme bayésien, que de leurs applications opérationnelles, notamment en matière d'aide à la décision. Dès le premier chapitre, la représentation du modèle par un graphe acyclique orienté permet de distinguer clairement la phase où la créativité du chercheur s'exprime de celle où il calcule. À cette fin, le logiciel libre WINBUGS© sera très utile à l'apprenti modélisateur.

      La seconde partie présente des applications réelles, plus sophistiquées, qui nécessitent souvent d'introduire une couche de variables latentes entre les observables et les paramètres. Conduire une inférence bayésienne sur ces modèles hiérarchiques implique un recours intensif aux méthodes modernes de calcul et mobilise donc «la souris» de l'ordinateur.

      Cet ouvrage est dédié aux étudiants et chercheurs qui souhaitent apprendre le calcul bayésien avec des visées opérationnelles. Le lecteur est invité à l'utiliser comme un tremplin lui permettant d'aller aussi loin que son intérêt et/ou ses besoins l'exigent. C'est pourquoi, les treize chapitres offrent un compromis entre la rigueur du langage mathématique et la souplesse de la langue de Molière. Le côté opérationnel est mis en avant.

      De nombreux exemples, le plus souvent réels, justifient les efforts et illustrent les raisonnements sous-jacents. Les développements théoriques sont donc volontairement limités à l'essentiel et le lecteur désireux de les poursuivre trouvera deux ouvrages de référence publiés dans la même collection.


  • Tables des matières
      • Pratique du calcul bayésien

      • Jean-Jacques Boreux/Éric Parent/Jacques Bernier

      • Springer

      • Préface vii
      • Avant-propos ix
      • Table des illustrations xix
      • Liste des tableaux xxiii
      • I De la plume... 1
      • 1 La Statistique : son objet, ses outils 3
      • 1.1 Le travail du statisticien3
      • 1.2 Deux écoles pour l'inférence statistique5
      • 1.2.1 L'école classique7
      • 1.2.2 L'école bayésienne9
      • 1.3 L'analyse statistique bayésienne11
      • 1.3.1 La règle de Bayes12
      • 1.3.2 La distribution prédictive a posteriori12
      • 1.3.3 Application numérique15
      • 1.3.4 Retour sur le prior16
      • 1.4 Le choix bayésien16
      • 1.4.1 Un procédé contestable ?17
      • 1.4.2 Avantages18
      • 2 Décision en avenir incertain : l'avalanche de Montroc 21
      • 2.1 L'avalanche de Montroc21
      • 2.1.1 Les faits21
      • 2.1.2 Mise en situation22
      • 2.1.3 Un problème de décision22
      • 2.1.4 Quel(s) modèle(s) d'échantillonnage ?23
      • 2.2 Imaginer un mécanisme générateur des observations24
      • 2.2.1 Le processus de Bernoulli24
      • 2.2.2 Le processus ponctuel de Poisson25
      • 2.3 Inférence bayésienne27
      • 2.3.1 Le modèle bêta-binomial27
      • 2.3.2 Le modèle gamma-Poisson30
      • 3 Introduction à la modélisation graphique 33
      • 3.1 Introduction33
      • 3.1.1 Une courte digression34
      • 3.2 Principe de la modélisation graphique36
      • 3.2.1 L'indépendance conditionnelle36
      • 3.2.2 Du réseau bayésien à la loi conjointe38
      • 3.2.3 DAG et variables latentes40
      • 3.3 Le modèle de capture-recapture41
      • 3.3.1 Mise en situation41
      • 3.3.2 La modélisation41
      • 3.3.3 Applications45
      • 4 Calcul des lois a posteriori 49
      • 4.1 Introduction49
      • 4.2 Quand la vraisemblance fait le posterior52
      • 4.2.1 Approximation asymptotique de la densité a posteriori53
      • 4.2.2 Fondements de ces approximations57
      • 4.2.3 Estimation asymptotique des paramètres d'une population gamma59
      • 4.2.4 Estimation asymptotique des paramètres d'une régression linéaire61
      • 4.2.5 On retiendra65
      • 4.3 Méthodes de Monte-Carlo par chaînes de Markov66
      • 4.3.1 Mise en contexte66
      • 4.3.2 Algorithme (général) de Metropolis-Hastings (MH)66
      • 4.3.3 Échantillonnage de Gibbs69
      • 4.4 Méthodes de Monte-Carlo72
      • 4.4.1 Simulation par la méthode d'acceptation-rejet73
      • 4.4.2 L'échantillonnage et le ré-échantillonnage pondérés76
      • 4.4.3 Vers les méthodes particulaires81
      • 5 Le cardinal sort du rang 85
      • 5.1 Introduction85
      • 5.2 Modélisation hiérarchique87
      • 5.2.1 Le problème du tramway87
      • 5.2.2 Le problème des rangs de naissance88
      • 6 Les modèles GEV et POT 97
      • 6.1 Introduction98
      • 6.2 Le modèle GEV100
      • 6.2.1 La valeur de projet103
      • 6.2.2 Sensibilité du modèle GEV aux hypothèses104
      • 6.3 Le modèle POT105
      • 6.3.1 La distribution de Pareto généralisée106
      • 6.3.2 Le modèle POT108
      • 6.4 Du modèle POT au modèle GEV108
      • 6.5 Inférence bayésienne sur les paramètres d'un modèle GEV110
      • 6.5.1 La distribution conjointe a posteriori110
      • 6.5.2 Algorithme MH séquentiel appliqué au modèle GEV111
      • 6.6 Inférence bayésienne sur les paramètres d'un modèle POT112
      • 6.6.1 Distribution conjointe a posteriori et inference113
      • 6.6.2 Échantillonnage de Gibbs115
      • 6.7 Trois applications numériques réelles115
      • 6.7.1 Le niveau de la mer à Port Pirie (Australie)116
      • 6.7.2 La vitesse du vent à Tunis (Tunisie)118
      • 6.7.3 La lame d'eau à Uccle (Belgique)121
      • 7 Construire le prior 127
      • 7.1 Introduction127
      • 7.1.1 Prior non informatif128
      • 7.1.2 La conjugaison130
      • 7.1.3 L'analogie131
      • 7.1.4 La méthode par introspections successives131
      • 7.1.5 L'incertitude n'est pas l'ignorance et la subjectivité n'est pas l'absurdité132
      • 7.2 Définition constructive d'une probabilité subjective132
      • 7.3 Caler un prior bêta sur deux quantiles élicités du paramètre d'un modèle d'observable binomial134
      • 7.3.1 L'expert donne la valeur moyenne de Pi et une incertitude sur celle-ci134
      • 7.3.2 L'expert donne deux quantiles de Pi135
      • 7.4 Caler un prior conjugué sur deux quantiles élicités des paramètres d'un modèle d'observable normal136
      • 7.4.1 Dialogue avec l'expert136
      • 7.4.2 Le paramètre à éliciter est unidimensionnel136
      • 7.4.3 Le paramètre à éliciter est bidimensionnel139
      • II ... à la souris 145
      • 8 Modèle de capture-recapture : application au cas des saumons 147
      • 8.1 Introduction147
      • 8.2 Présentation du problème148
      • 8.2.1 Les trois dernières étapes du cycle de vie du saumon148
      • 8.2.2 Variables observées150
      • 8.2.3 Expertise a priori sur le comportement du saumon150
      • 8.2.4 Les variables latentes décrivent le phénomène biologique153
      • 8.3 Inférence bayésienne155
      • 8.3.1 Échantillonnage de Gibbs156
      • 8.3.2 DAG, noeuds parents, noeuds enfants157
      • 8.3.3 Actualisation bayésienne par l'échantillonnage de Gibbs157
      • 8.4 Résultats numériques161
      • 8.4.1 Année 1995161
      • 8.4.2 Cinq années de données163
      • 8.5 Discussion164
      • 8.5.1 Le rôle du prior164
      • 8.5.2 Le choix du modèle165
      • 8.5.3 Confusion des effets et importance du prior165
      • 9 Le modèle linéaire généralisé 169
      • 9.1 Introduction169
      • 9.2 Retour sur le modèle linéaire classique170
      • 9.3 Le modèle linéaire généralisé172
      • 9.3.1 Le GLM répond à ces limitations173
      • 9.3.2 D'un point de vue pratique175
      • 9.4 La régression logistique176
      • 9.4.1 La transformation logit176
      • 9.4.2 La régression logistique177
      • 9.4.3 Les prothésistes dentaires seraient-ils particulièrement exposés aux pneumoconioses ?178
      • 9.4.4 Évaluation de l'action conjointe de deux produits181
      • 9.4.5 Régression logistique avec le modèle de Finney (1971)182
      • 10 Assemblage de modules fonctionnels normaux 185
      • 10.1 Introduction186
      • 10.2 Construire un modèle comme on joue au Lego188
      • 10.2.1 Les moyens à mettre en oeuvre189
      • 10.2.2 Les modèles, leur définition, leurs liens189
      • 10.3 Régression linéaire (M1)191
      • 10.3.1 Formulation du modèle M1192
      • 10.3.2 Les conditionnelles complètes192
      • 10.3.3 Compléments sur le prior193
      • 10.4 Un AR1 pour représenter la dépendance temporelle (M2)193
      • 10.4.1 Formulation du modèle M2194
      • 10.4.2 Les conditionnelles complètes194
      • 10.5 Modèle linéaire à résidus autocorrélés (M3)195
      • 10.5.1 Formulation du modèle M3195
      • 10.5.2 Prior des paramètres du modèle M3196
      • 10.5.3 Conditionnelles complètes du modèle M3196
      • 10.5.4 Spécification des priors du modèle M3197
      • 10.5.5 Applications198
      • 10.6 Modèle avec erreur sur variables explicatives (M4)200
      • 10.6.1 Formulation du modèle M4200
      • 10.6.2 Spécification du paramètre Phi202
      • 10.6.3 Influence de l'erreur sur la température202
      • 10.7 Une brique de LEGO supplémentaire d'expression multinomiale202
      • 10.7.1 Formulation du modèle M5203
      • 10.7.2 Conditionnelles complètes du modèle probit (M5)206
      • 10.7.3 Application du modèle multinomial probit (M5)207
      • 11 Évaluation de la pollution indoor 211
      • 11.1 Introduction212
      • 11.2 Expérimentation et approche classique212
      • 11.2.1 Modélisation du taux d'émission213
      • 11.2.2 Modélisation du changement de masse du polluant213
      • 11.2.3 Brève étude critique du travail publié214
      • 11.2.4 Discussion215
      • 11.3 Bruiter le modèle déterministe216
      • 11.3.1 Une stratégie de modélisation des incertitudes216
      • 11.3.2 Application de la règle de Bayes217
      • 11.3.3 Résultats218
      • 12 Les avantages de la modélisation hiérarchique 221
      • 12.1 Données222
      • 12.2 Modèle de capture-marquage-recapture222
      • 12.2.1 Modèle Bernoulli d'aléa pour la première phase223
      • 12.2.2 Modèle Bernoulli d'aléa pour la seconde phase224
      • 12.3 Modèle bayésien hiérarchique échangeable225
      • 12.4 Modèle bayésien annuel228
      • 12.5 Choix des distributions a priori et analyse de sensibilité229
      • 12.5.1 Priors du modèle avec indépendance annuelle229
      • 12.5.2 Priors à deux étages du modèle hiérarchique230
      • 12.6 Résultats231
      • 13 Modèles de changements cachés 237
      • 13.1 Introduction238
      • 13.1.1 Trois exemples hydrométéorologiques239
      • 13.2 La modélisation des changements240
      • 13.2.1 Modèle M1 : 1 seule rupture240
      • 13.2.2 Modèle Mk : k ruptures241
      • 13.2.3 Modèle Ma (autorégressif, k ruptures)243
      • 13.3 Représentation des distributions a priori243
      • 13.3.1 Prior pour les dates244
      • 13.3.2 Prior pour les autres paramètres246
      • 13.4 Étude du modèle Mk247
      • 13.5 Méthode d'inférence249
      • 13.6 Choix de k : ou sélection bayésienne de modèles250
      • 13.6.1 Le facteur de Bayes250
      • 13.6.2 Facteur de Bayes et rapport de vraisemblance250
      • 13.6.3 Choix de modèle251
      • 13.6.4 Note sur le choix de modèle251
      • 13.6.5 Avantages et inconvénients des facteurs de Bayes252
      • 13.7 Applications253
      • 13.7.1 Application aux modules annuels du Sénégal253
      • 13.7.2 Application aux apports énergétiques annuels du Saint-Laurent (1943-2000)254
      • 13.7.3 Application du modèle Ma au Saint-Laurent256
      • 13.7.4 Débits maximaux annuels de la Dordogne à Cenac258
      • 13.8 Discussion260
      • 14 Conclusion 263
      • Annexes 265
      • A Annexe du chapitre 1 267
      • B Annexe du chapitre 2 273
      • C Annexe du chapitre 6 279
      • D Annexe du chapitre 9 287
      • E Annexe du chapitre 10 293
      • F Annexe du chapitre 11 305
      • G Annexe du chapitre 12 307
      • H Annexe du chapitre 13 313
      • Bibliographie 325
      • Index 331

  • Origine de la notice:
    • BNF
  • Disponible - 519 BOR

    Niveau 2 - Sciences