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.
Type de document :
Communication dans un congrès
42èmes Journées de Statistique, 2010, Marseille, France, France. 2010
Liste complète des métadonnées

https://hal.inria.fr/inria-00494694
Contributeur : Conférence Sfds-Hal <>
Soumis le : jeudi 24 juin 2010 - 08:53:29
Dernière modification le : jeudi 24 juin 2010 - 08:53:29
Document(s) archivé(s) le : lundi 27 septembre 2010 - 11:22:12

Fichier

p34.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00494694, version 1

Collections

Citation

S. Suparman. Ségmentation bayésienne hiérarchique de processus MA constant par morceaux. 42èmes Journées de Statistique, 2010, Marseille, France, France. 2010. 〈inria-00494694〉

Partager

Métriques

Consultations de la notice

67

Téléchargements de fichiers

82