Approches statistiques pour les variables cachés en écologie / Nathalie Peyrard (2022)

Public ISBD Titre : Approches statistiques pour les variables cachés en écologie Type de document : Ouvrage Auteurs : Nathalie Peyrard, Auteur ; Olivier Gimenez, Auteur Editeur : Londres : ISTE éditions Année de publication : 2022 Importance : 258 p ISBN/ISSN/EAN : 978-1-78948-047-4 Langues : Français (fre) Catégories : [Motbis 2025] analyse statistique [Motbis 2025] écologie [Motbis 2025] modélisation [Motbis 2025] statistique Index. décimale : DC-0 Généralités Note de contenu : 1. Reconstruction de trajectoires et de comportements à partir de données de position 2. Identification des compromis évolutifs entre traits d’histoire de vie en milieu naturel 3. Démographie et distribution en conditions naturelles : les modèles de Markov cachés 4. Modélisation mécanistico-statistique en écologie 5. Des HMM pour estimer la dynamique de la banque de graines chez les plantes 6. Modèles à blocs latents pour la détection de structures dans les réseaux écologiques 7. Réduction de la dimension dans les modèles de distributions jointes d’espèces 8. Le modèle Poisson log-normal pour l’analyse de distributions jointes d’abondance 9. La régression linéaire généralisée sur composantes supervisées et ses extensions 10. Les modèles à équations structurelles pour l’étude des écosystèmes Approches statistiques pour les variables cachés en écologie [Ouvrage] / Nathalie Peyrard, Auteur ; Olivier Gimenez, Auteur . - Londres : ISTE éditions, 2022 . - 258 p. ISBN : 978-1-78948-047-4 Langues : Français (fre) Catégories : [Motbis 2025] analyse statistique [Motbis 2025] écologie [Motbis 2025] modélisation [Motbis 2025] statistique Index. décimale : DC-0 Généralités Note de contenu : 1. Reconstruction de trajectoires et de comportements à partir de données de position 2. Identification des compromis évolutifs entre traits d’histoire de vie en milieu naturel 3. Démographie et distribution en conditions naturelles : les modèles de Markov cachés 4. Modélisation mécanistico-statistique en écologie 5. Des HMM pour estimer la dynamique de la banque de graines chez les plantes 6. Modèles à blocs latents pour la détection de structures dans les réseaux écologiques 7. Réduction de la dimension dans les modèles de distributions jointes d’espèces 8. Le modèle Poisson log-normal pour l’analyse de distributions jointes d’abondance 9. La régression linéaire généralisée sur composantes supervisées et ses extensions 10. Les modèles à équations structurelles pour l’étude des écosystèmes

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00006498	DC-0167	Livre	Salle de lecture	Documentaires	Disponible

Introduction à la statistique bayésienne : avec le logiciel R / Olivier Gimenez (2026)

Public ISBD Titre : Introduction à la statistique bayésienne : avec le logiciel R Type de document : Ouvrage Auteurs : Olivier Gimenez, Auteur Editeur : Versailles : Quae Année de publication : 2026 Importance : 78 p ISBN/ISSN/EAN : 978-2-7592-4257-3 Langues : Français (fre) Catégories : [Motbis 2025] analyse statistique [Motbis 2025] modèle statistique [Motbis 2025] statistique [Motbis 2025] théorème Index. décimale : DC-0 Généralités Note de contenu : Avant-propos Pourquoi s’intéresser à la statistique bayésienne ? Ce que nous allons voir dans ce livre Comment lire ce livre ? 1. L’approche bayésienne 1.1. Le théorème de Bayes 1.2. Qu’est-ce que la statistique bayésienne ? 1.3. Un exemple fil rouge 1.4. Le maximum de vraisemblance 1.5. Et en bayésien ? À retenir 2. Les méthodes de Monte Carlo par chaînes de Markov 2.1. Application du théorème de Bayes 2.2. Les algorithmes MCMC 2.3. Évaluer la convergence À retenir 3. Mise en œuvre pratique 3.1. La syntaxe du package brms 3.2. Visualisation 3.3. Les priors À retenir 4. Les distributions a priori 4.1. Le rôle du prior 4.2. Sensibilité au prior 4.3. Comment intégrer l’information a priori ? 4.4. Attention aux priors dits non-informatifs À retenir 5. La régression 5.1. La régression linéaire 5.2. L’évaluation des modèles 5.3. La comparaison de modèles À retenir 6. Modèles linéaires généralisés et modèles généralisés mixtes 6.1. Modèles linéaires généralisés (GLM) 6.2. Modèles linéaires généralisés mixtes (GLMM) À retenir Conclusions Ce que l’on a vu La statistique bayésienne, en résumé Quelques conseils Pour finir Introduction à la statistique bayésienne : avec le logiciel R [Ouvrage] / Olivier Gimenez, Auteur . - Versailles : Quae, 2026 . - 78 p. ISBN : 978-2-7592-4257-3 Langues : Français (fre) Catégories : [Motbis 2025] analyse statistique [Motbis 2025] modèle statistique [Motbis 2025] statistique [Motbis 2025] théorème Index. décimale : DC-0 Généralités Note de contenu : Avant-propos Pourquoi s’intéresser à la statistique bayésienne ? Ce que nous allons voir dans ce livre Comment lire ce livre ? 1. L’approche bayésienne 1.1. Le théorème de Bayes 1.2. Qu’est-ce que la statistique bayésienne ? 1.3. Un exemple fil rouge 1.4. Le maximum de vraisemblance 1.5. Et en bayésien ? À retenir 2. Les méthodes de Monte Carlo par chaînes de Markov 2.1. Application du théorème de Bayes 2.2. Les algorithmes MCMC 2.3. Évaluer la convergence À retenir 3. Mise en œuvre pratique 3.1. La syntaxe du package brms 3.2. Visualisation 3.3. Les priors À retenir 4. Les distributions a priori 4.1. Le rôle du prior 4.2. Sensibilité au prior 4.3. Comment intégrer l’information a priori ? 4.4. Attention aux priors dits non-informatifs À retenir 5. La régression 5.1. La régression linéaire 5.2. L’évaluation des modèles 5.3. La comparaison de modèles À retenir 6. Modèles linéaires généralisés et modèles généralisés mixtes 6.1. Modèles linéaires généralisés (GLM) 6.2. Modèles linéaires généralisés mixtes (GLMM) À retenir Conclusions Ce que l’on a vu La statistique bayésienne, en résumé Quelques conseils Pour finir

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00007253	DC-0168	Livre	Salle de lecture	Documentaires	Sorti jusqu'au 21/10/2026

---

1 (1 - 2 / 2) Par page : 25 50 100 200