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

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