Les techniques informatiques de simulation sont essentielles au statisticien. Afin que celui-ci puisse les utiliser en vue de résoudre des problèmes statistiques, il lui faut au préalable développer son intuition et sa capacité à produire lui-même des modèles de simulation. Ce livre adopte donc le point de vue du programmeur pour exposer ces outils fondamentaux de simulation stochastique. Il montre comment les implémenter sous R et donne les clés d'une meilleure compréhension des méthodes exposées en vue de leur comparaison, sans s'attarder trop longuement sur leur justification théorique.

Les auteurs présentent les algorithmes de base pour la génération de données aléatoires, les techniques de Monte-Carlo pour l'intégration et l'optimisation, les diagnostics de convergence, les chaînes de Markov, les algorithmes adaptatifs, les algorithmes de Metropolis-Hastings et de Gibbs. Tous les chapitres incluent des exercices. Les programmes R sont disponibles dans un package spécifique.

Le livre s'adresse à toute personne que la simulation statistique intéresse et n'exige aucune connaissance préalable du langage R, ni aucune expertise en statistique bayésienne, bien que nombre d'exercices relèvent de ce champ précis. Cet ouvrage sera utile aux étudiants et aux professionnels actifs dans les domaines de la statistique, des télécommunications, de l'économétrie, de la finance et bien d'autres encore.

• Préliminaires
• Génération de variables aléatoires
• Intégration de Monte-Carlo
• Contrôler et accélérer la convergence
• Optimisation par les méthodes de Monte-Carlo
• Algorithmes de Metropolis-Hastings
• Échantillonneurs de Gibbs
• Contrôle et adaptation des algorithmes MCMC