Mylène Bédard Professeure titulaire Responsable des programmes gradués en statistique Département de mathématiques et de statistique Université de Montréal C.P. 6128, succ. Centre-ville Montréal, QC, H3C 3J7, Canada Bureau:  4223, pavillon André-Aisenstadt Téléphone:  514-343-6111 poste 2727 Adresses courriel: bedard AT dms DOT umontreal DOT ca mylene DOT bedard AT umontreal DOT ca

English version

Enseignement

• ACT 1240 - Mathématiques financières

• ACT 3251 - Théorie du risque

• MAT 1978 - Probabilités et statistique

• STT 1995 - Analyses statistiques

• STT 2100 - Théorie de la décision

• STT 2105 - Statistique bayésienne

• STT 3260 - Modèles de survie

• STT 3700 - Inférence statistique

• STT 6115 - Théorie de la décision bayésienne

• STT 6215 - Méthodes de statistique bayésienne

Articles sélectionnés

• Fraser, D.A.S., Bédard, M. What differential geometry says about Bayesian marginalization. Soumis, 23 pages.

• Fraser, D.A.S., Bédard, M. The Linear Lasso: A location model resolution. À paraître dans Canadian Journal of Statistics, 30 pages (incluant annexes).

• Boisvert-Beaudry, G. Bédard, M. MALA with annealed proposals: A generalization of locally- and globally-balanced proposal distributions. À paraître dans Statistics and Computing, 40 pages (incluant annexes).

• Fontaine, S. Bédard, M. An adaptive multiple-try Metropolis algorithm. À paraître dans Bernoulli, 57 pages (incluant annexes).

• Grenon-Godbout, N., Bédard, M. (2021). On-line partitioning of the sample space in the Regional Adaptive algorithm. Canadian Journal of Statistics 49, 238-261.   

• Gagnon, P., Bédard, M., Desgagné, A. (2021). An automatic robust Bayesian approach to principal component regression. Journal of Applied Statistics 48, 84-104.   

• Gagnon, P., Desgagné, A., Bédard, M. (2020). A new Bayesian approach to robustness against outliers in linear regression. Bayesian Analysis 15, 389-414.   

• Bédard, M. (2019). Hierarchical models and tuning of random walk Metropolis algorithms. Journal of Probability and Statistics Article ID 8740426, 24 pages (Open Access).   

• Gagnon, P., Bédard, M., Desgagné, A. (2019). Weak convergence and optimal tuning of the reversible jump algorithm. Mathematics and Computers in Simulation 161, 32-51.   

• Zanella, G., Bédard, M., Kendall, W.S. (2017). A Dirichlet form approach to MCMC optimal scaling. Stochastic Processes and their Applications 127, 4053-4082.   

• Bédard, M. (2017). Hierarchical models: Local proposal variances for RWM-within-Gibbs and MALA-within-Gibbs. Computational Statistics & Data Analysis 107, 231-246.   

• Fraser, D.A.S., Bédard, M., Wong, A., Lin, W., Fraser, A.M. (2016). Bayes, reproducibility and the quest for truth. Statist. Sci. 31, 785-590.   

• Bégin, J.-F., Bédard, M., Gaillardetz, P. (2015). Simulating from the Heston model: A gamma approximation scheme. Monte Carlo Methods Appl. 21, 205-231.   

• Bédard, M., Douc, R., Moulines, E. (2014). Scaling analysis of delayed rejection MCMC methods. Methodol. Comput. Appl. 16, 811-838.   

• Bédard, M. and Mireuta, M. (2013). On the empirical efficiency of local MCMC algorithm with pools of proposals. Canad. J. Statist. 41, 657-678.   

• Bédard, M., Douc, R., Moulines, E. (2012). Scaling analysis of multiple-try MCMC methods. Stochastic Process. Appl. 122, 758-786.   

• Bédard, M. and Fraser, D.A.S. (2009). On a Directionally Adjusted Metropolis-Hastings Algorithm. IJSS 9 (Special Issue) , 33-57.   

• Bédard, M. and Rosenthal, J.S. (2008). Optimal Scaling of Metropolis Algorithms: Heading Toward General Target Distributions. Canad. J. Statist. 36, 483-503.   

• Bédard, M. (2008). Optimal Acceptance Rates for Metropolis Algorithms: Moving Beyond 0.234. Stochastic Process. Appl. 118, 2198-2222.   

• Bédard, M. (2008). Efficient Sampling using Metropolis Algorithms: Applications of Optimal Scaling Results. J. Comput. Graph. Statist. 17, 312-332.   

• Bédard, M., Fraser, D.A.S., Wong, A. (2007). Higher Accuracy for Bayesian and Frequentist Inference: Large Sample Theory for Small Sample Likelihood. Statist. Sci. 22, 301-321.   

• Bédard, M. (2007). Weak Convergence of Metropolis Algorithms for Non-iid Target Distributions. Ann. Appl. Probab. 17, 1222-1244.   

• Bédard, M. (2006). On the Robustness of Optimal Scaling for Random Walk Metropolis Algorithms. Ph.D. Thesis. Department of Statistical Sciences, University of Toronto.   

Supervision

Doctorat

• Kassimou Abdoul Haki Maoude (Cosupervision avec M. Augustyniak, 09/2016 - )
  Thèse: Modélisation des données financières par les modèles à chaîne de Markov cachée de haute dimension.

• Philippe Gagnon (Cosupervision avec A. Desgagnés, 01/2012 - 03/2018)
  Thèse: Sélection de modèles robuste: régression linéaire et algorithme à sauts réversibles.
  Bourse Hickman de la Society of Actuaries
  Prix de la meilleure présentation de recherche étudiante, congrès de la SSC 2015

Maîtrise avec mémoire

• Yan Watts (01/2021 - )
  Mémoire: Le lasso linéaire: une méthode pour des données de petites et grandes dimensions en régression linéaire

• Émile Pelletier (03/2019 - )
  Mémoire: On a generalized version of the MALA sampler

• Gabriel Boisvert-Beaudry (09/2017 - 03/2020)
  Mémoire: Efficacité des distributions instrumentales en équilibre dans un algorithme de type Metropolis-Hastings.
  Prix Constance-van Eeden 2017

• Simon Fontaine (01/2017 - 10/2019)
  Mémoire: MCMC adaptatifs à essais multiples.
  Prix Serge-Tardif 2018

• Nicolas Grenon-Godbout (09/2016 - 10/2018)
  Mémoire: Partition adaptative de l'espace dans un algorithme MCMC avec adaptation régionale.
  Prix Constance-van Eeden 2016
  Prix Serge-Tardif 2017

• Michaël Lalancette (09/2015 - 08/2017)
  Mémoire: Convergence d'un algorithme de type Metropolis pour une distribution cible bimodale.
  Prix de la meilleure présentation de recherche étudiante, congrès de la SSC 2018 (portant sur le mémoire de maîtrise)

• Assia Groiez (temps partiel, 09/2010 - 03/2014)
  Mémoire: Recyclage des candidats dans l'algorithme Metropolis à essais multiples

• Jean-François Bégin (Cosupervision avec P. Gaillardetz, 09/2011 - 09/2012)
  Mémoire: New simulation schemes for the Heston model
  Prix de l'Institut de finance mathématique de Montréal, meilleur mémoire de maîtrise, 2012

• Matei Mireuta (temps partiel, 02/2008 - 08/2011)
  Mémoire: Étude de la performance d'un algorithme Metropolis-Hastings avec ajustement directionnel

Maîtrise avec stage

• Étienne Lévesque (11/2020 - )
  Rapport de stage: Modèles de prédiction novateurs de l'issue de grossesse: Outil BÉBÉ-FIV
  CHU Sainte-Justine

• Louis Aranguiz-Laruelle (09/2020 - 03/2022)
  Rapport de stage: Optimisation de portefeuille: une approche statistique et computationnelle
  Quantolio

• Émilyne Lortie (09/2020 - 12/2021)
  Rapport de stage: Analyse de survie en présence d'un risque compétitif - Étude MOBYDIck.
  CHU Sainte-Justine

• Raphaël Lima-Barbosa (09/2018 - )
  Rapport de stage: An overview of propensity score methods in causal inference
  TBA

• Quentin Le Lidec (03/2019 - 08/2019)
  Projet: Méthodes MCMC et Policy Guided Monte Carlo.
  Master 1, École Polytechnique de Paris

• Marie-Christine Doucas (09/2012 - 03/2014)
  Rapport de stage: Étude portant sur le fardeau de réponse des entreprises simples à Statistique Canada.
  Statistique Canada

Premier cycle (BRPC-CRSNG)

• Nicolas Grenon-Godbout (05/2015 - 08/2015)
  Projet: Méthodes MCMC : amélioration d'un algorithme d'adaptation régionale et applications à la climatologie

• Jean-François Bégin (Cosupervision avec M. Morales, 05/2010 - 08/2010)
  Projet: Analyse MCMC de certains modèles de diffusion avec application au marché européen du carbone

• Vanessa Bergeron-Laperrière (05/2010 - 08/2010)
  Projet: L'algorithme Metropolis-Hastings

• Audrey Béliveau (04/2008 - 10/2008)
  Projet: Reconstruction d'images par la statistique bayésienne

Dernière modification: 01-2022