Pierre JacobProfesseur de Statistiques à l'ESSEC Business School
La recherche de Pierre E. Jacob porte sur l’élaboration et l’analyse de méthodes d’intégration numérique, et notamment le Monte Carlo séquentiel et à chaînes de Markov, ainsi que la modélisation Bayésienne. Après une thèse en statistiques Bayésiennes computationnelles (2009-2012) à l’Université Paris Dauphine, encadrée par Christian P. Robert, il a travaillé comme chercheur post-doctoral à Singapour et à Oxford au Royaume Uni. Recruté comme professeur assistant dans le Département de Statistiques de l’université de Harvard en 2015, il rejoint l’ESSEC Business School en 2021. Il est lauréat du prix de thèse Jacques Neveu de la Société de Mathématiques Appliquées et Industrielles en 2013, de la Guy Medal in Bronze de la Royal Statistical Society en 2021, et du Leadership Academy award du Committee of Presidents of Statistical Societies en 2022.
Découvrez-en plus avec l'article « L’ESSEC Business School félicite Professeur Pierre Jacob, premier lauréat ESSEC d’une bourse du Conseil européen de la recherche », publié par son institution.
UMCMC (Monte Carlo à chaînes de Markov utilisant les couplages en vue d’une inférence statistique évolutive)
Ce projet propose des outils statistiques pour l’approximation numérique des lois de probabilité qui surviennent dans l’analyse des données, notamment dans l’approche Bayésienne et ses nombreuses variantes, mais aussi en tests d’hypothèse et en présence de variables cachées. La plupart des méthodes d’intégration performantes en grande dimension utilisent des chaînes de Markov construites de manière à avoir la loi d’intérêt comme loi stationnaire. La nature itérative des chaînes de Markov n’est malheureusement pas compatible avec les tendances de l’architecture des machines de calculs, avec des processeurs à l’architecture de plus en plus parallèle. Ce projet utilise les couplages de chaînes de Markov pour construire des estimateurs sans biais que l’on peut produire en un temps aléatoire mais fini, et qui peuvent donc être générés de manière complètement indépendante en parallèle. En prenant la moyenne de ces estimateurs, on peut obtenir des approximations performantes en grande dimension et entièrement parallèles. Le projet a pour ambition des développements méthodologiques, des analyses formelles des coûts et des mesures principales de performance de ces techniques, ainsi que trois applications en collaboration avec des économistes, des biostatisticiens et des épidémiologistes.