Ségmentation bayésienne hiérarchique de processus MA constant par morceaux

Résumé : On utilise dans ce travail une méthode bayésienne pour traiter une problème de segmentation de processus MA par morceaux. La complexité des lois a posteriori ainsi que la structure particulière de l'espace des paramètres amène a utiliser la méthode de simulation de type Monte Carlo par Chaînes de Markov à sauts réversibles. Les sorties de l'agorithme sont utilisées pour obtenir plusieurs types d'estimateur des paramètres d'intéret : Maximum Marginal a Posteriori, et Moyenne Marginale a Posteriori. La délicat problème du réglage des hyperparamètres est contourné en munissant des hyperparamètres de loi, utilisant ainsi une structure bayèsienne hièrarchique. Mots-Cles : Simulation de Monte Carlo par Chaine de Markov a Sauts Reversibles, Segmentation de processus MA.