Extremes Bayésiens: Chaîne Markov Monte Carlo

Cette séance de cours traite de la façon dont la chaîne Markov Monte Carlo (MCMC) et d'autres algorithmes de calcul stochastiques ont permis d'appliquer les techniques bayésiennes à des problèmes de valeur extrême. Les avantages comprennent la possibilité d'inclure des renseignements supplémentaires par le biais d'un précédent approprié, la facilité de l'inférence et le développement d'une inférence prédictive. La séance de cours aborde des sujets tels que l'inférence bayésienne, la mise en place de chaînes Markov pour le calcul de la densité postérieure et l'algorithme Metropolis-Hastings. Il examine également l'importance d'une information préalable appropriée pour accroître la précision de l'analyse extrémale et les défis à relever pour préciser l'incertitude dans l'inférence bayésienne. La séance de cours se termine par une discussion sur l'utilisation des graphiques pour l'exploration des données, la vérification des modèles et la présentation des conclusions.