Introduction to Bayesian statistics

lstat2130  2019-2020  Louvain-la-Neuve

Introduction to Bayesian statistics
Au vu du contexte sanitaire lié à la propagation du coronavirus, les modalités d’organisation et d’évaluation des unités d’enseignement ont pu, dans différentes situations, être adaptées ; ces éventuelles nouvelles modalités ont été -ou seront-communiquées par les enseignant·es aux étudiant·es.
Voir aussi la liste des évaluations de la session de juin 2020.
4 crédits
15.0 h + 5.0 h
Q2
Enseignants
Langue
d'enseignement
Anglais
Thèmes abordés
- Le modèle bayesien: principes généraux. - La fonction de vraisemblance et spécification a priori. - Modèles à un paramètre: choix de la distribution a priori, calcul de la distribution a posteriori, résumer la distribution a posteriori. - Modèles multiparamètres: choix des distributions a priori et calcul des distributions a posteriori, paramètres de nuisance. Cas des modèles multinomial et gaussien multivarié. - Inférence en grand échantillon et relation avec l'inférence fréquentiste. - Méthodes de calcul en analyse bayesienne.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1

A. Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.1, 1.3, 1.4, 2.2, 2.3, 2.5, 3.1, 3.2, 3.3, 3.4, 4.1, 4.2, 6.3

Eu égard au référentiel AA du programme de master en statistique, orientation biostatistique, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.1, 1.3, 1.4, 2.2, 2.3, 2.5, 3.1, 3.2, 3.3, 3.4, 4.1, 4.2, 4.3, 4.5, 6.3

B. Au terme du cours l'étudiant aura acquis les principes et les techniques de base de la statistique bayesienne, et sera capable de les utiliser et de mettre en évidence leurs avantages et inconvénients dans des problèmes simples.

 

La contribution de cette UE au développement et à la maîtrise des compétences et acquis du (des) programme(s) est accessible à la fin de cette fiche, dans la partie « Programmes/formations proposant cette unité d’enseignement (UE) ».
Contenu
- Le modèle bayesien: principes généraux. - La fonction de vraisemblance et spécification a priori. - Modèles à un paramètre: choix de la distribution a priori, calcul de la distribution a posteriori, résumer la distribution a posteriori. - Modèles multiparamètres: choix des distributions a priori et calcul des distributions a posteriori, paramètres de nuisance. Cas des modèles multinomial et gaussien multivarié. - Inférence en grand échantillon et relation avec l'inférence fréquentiste. - Méthodes de calcul en analyse bayesienne.
Bibliographie
Gelman, A., Carlin, J.B., Stern, H.S. and Rubin, D.B. (2003,2nd edition) Bayesian Data Analysis. Chapman and Hall.
Spiegelhalter, D.J., Thomas, A. and Best, N.G. (1999) WinBUGS User Manual. MRC Biostatistics Unit.
Bolstad, W.M.(2004) Introduction to Bayesian Statistics. Wiley.
Faculté ou entité
en charge


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] : ingénieur civil en science des données
4

Master [120] : ingénieur civil biomédical
4

Master [120] en sciences mathématiques
4

Master [120] : ingénieur civil en mathématiques appliquées
4

Master [120] en statistique, orientation biostatistiques
4

Certificat d'université : Statistique et sciences des données (15/30 crédits)

Master [120] en statistique, orientation générale
4

Master [120] en sciences économiques, orientation générale
4

Master [120] en science des données, orientation statistique
4

Master [120] en science des données, orientation technologies de l'information
4

Approfondissement en statistique et sciences des données