- Rappels sur les statistiques Bayésiennes : loi a priori, a posteriori, prédictive
- comportement asymptotique de la loi a posteriori
- Objectif des algorithmes de types MCMC
- Nécessité de l'élagage et de la période de chauffe
- Noyaux de proposition usuels
- Mise en oeuvre pratique
- Echantillonneur de Gibbs
- Mise en oeuvre
- Modèles hiérarchiques et graphe acyclique orienté
- Application sur modèles complexes
- Si le temps le permet, modèle de mélange
- Gestionnaire: Mathieu Ribatet