Séance de cours
Exemples de MCMC et estimation des erreurs
Séances de cours associées (52)
Théorie du MCMC
Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.
Hypothèse de thermalisation d'état propre
Explore l'hypothèse de thermalisation d'état propre dans les systèmes quantiques, en mettant l'accent sur la théorie de la matrice aléatoire et le comportement des observables dans l'équilibre thermique.
Chaînes et algorithmes de Markov
Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.
Distributions de probabilités dans les études environnementales
Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.
Analyse de la pollution atmosphérique
Explorer l'analyse de la pollution atmosphérique à l'aide de données sur le vent, de distributions de probabilités et de modèles de trajectoire pour l'évaluation de la qualité de l'air.
Attente conditionnelle : Grouper le lemme
Explore l'attente conditionnelle, le lemme de regroupement et la loi des grands nombres.
Modèles de mélange : Estimation basée sur la simulation
Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.
Probabilités et processus stochastiques
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Chaînes et applications Markov
Explore les chaînes de Markov et leurs applications dans des algorithmes, en se concentrant sur l'impatience des utilisateurs et la génération d'échantillons fidèles.
Modélisation des signaux neurobiologiques: Chaînes Markov
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.