Investigations particulaires pour l'inférence statistique et l'optimisation de plan d'expériences

Éric Parent (1) , Billy Amzal (2) , Philippe Girard (3)

1 MIA-Paris - Mathématiques et Informatique Appliquées
2 Novartis
3 Nestlé Suisse

Les algorithmes particulaires sont des techniques de Monte-Carlo qui associent des étapes d’ échantillonnage pondéré, de rééchantillonnage bootstrap, de régénérescence markovienne et de recuit simulé. Grâce à trois exemples de complexité croissante, nous d’écrivons leurs implémentations pour l’estimation du maximum de vraisemblance, l’évaluation de la distribution a posteriori pour un modèle à variables latentes et la recherche du plan d’expérience optimal. Les solutions de ces exemples pédagogiques illustrent les performances et les limites de ces algorithmes, promis à une place de choix dans la trousse à outils du statisticien.

Mots clés: algorithme particulaire; simulation de monte-carlo; plan d'expérience optimale; inférence bayésienne

Domaines: Sciences du Vivant [q-bio]

Éric Parent, Billy Amzal, Philippe Girard. Investigations particulaires pour l'inférence statistique et l'optimisation de plan d'expériences. Journal de la Société Française de Statistique, 2008, 149 (1), pp.1-51. ⟨hal-01197585⟩