Show item record

dc.contributor.advisorBédard, Mylène
dc.contributor.authorMireuta, Matei
dc.date.accessioned2012-02-28T16:39:50Z
dc.date.availableNO_RESTRICTIONen
dc.date.available2012-02-28T16:39:50Z
dc.date.issued2012-02-02
dc.date.submitted2011-08
dc.identifier.urihttp://hdl.handle.net/1866/6231
dc.subjectÉchantillonneur indépendanten
dc.subjectAlgorithme Metropolis-Hastings de type marche aléatoireen
dc.subjectTaux de convergenceen
dc.subjectAlgorithme Metropolis adaptatifen
dc.subjectIndependent sampleren
dc.subjectRandom walk Metropolis-Hastings algorithmsen
dc.subjectConvergence rateen
dc.subjectAdaptive Metropolis algorithmen
dc.subject.otherMathematics / Mathématiques (UMI : 0405)en
dc.titleÉtude de la performance d’un algorithme Metropolis-Hastings avec ajustement directionnelen
dc.typeThèse ou mémoire / Thesis or Dissertation
etd.degree.disciplineMathématiquesen
etd.degree.grantorUniversité de Montréalfr
etd.degree.levelMaîtrise / Master'sen
etd.degree.nameM. Sc.en
dcterms.abstractLes méthodes de Monte Carlo par chaîne de Markov (MCMC) sont des outils très populaires pour l’échantillonnage de lois de probabilité complexes et/ou en grandes dimensions. Étant donné leur facilité d’application, ces méthodes sont largement répandues dans plusieurs communautés scientifiques et bien certainement en statistique, particulièrement en analyse bayésienne. Depuis l’apparition de la première méthode MCMC en 1953, le nombre de ces algorithmes a considérablement augmenté et ce sujet continue d’être une aire de recherche active. Un nouvel algorithme MCMC avec ajustement directionnel a été récemment développé par Bédard et al. (IJSS, 9 :2008) et certaines de ses propriétés restent partiellement méconnues. L’objectif de ce mémoire est de tenter d’établir l’impact d’un paramètre clé de cette méthode sur la performance globale de l’approche. Un second objectif est de comparer cet algorithme à d’autres méthodes MCMC plus versatiles afin de juger de sa performance de façon relative.en
dcterms.abstractMarkov Chain Monte Carlo algorithms (MCMC) have become popular tools for sampling from complex and/or high dimensional probability distributions. Given their relative ease of implementation, these methods are frequently used in various scientific areas, particularly in Statistics and Bayesian analysis. The volume of such methods has risen considerably since the first MCMC algorithm described in 1953 and this area of research remains extremely active. A new MCMC algorithm using a directional adjustment has recently been described by Bédard et al. (IJSS, 9:2008) and some of its properties remain unknown. The objective of this thesis is to attempt determining the impact of a key parameter on the global performance of the algorithm. Moreover, another aim is to compare this new method to existing MCMC algorithms in order to evaluate its performance in a relative fashion.en
dcterms.languagefraen


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show item record