Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Théorie statistique : estimation maximale de vraisemblance

Dans cours

MATH-442: Statistical theory

This course gives a mostly rigourous treatment of some statistical methods outside the context of standard likelihood theory. ...

Description

Cette séance de cours explore la cohérence de l'estimateur de vraisemblance maximale (MLE) et ses propriétés asymptotiques. Il explore la relation entre le MLE et le Kullback-Leibler Divergence, en soulignant les défis pour prouver la cohérence du MLE. La séance de cours traite d'exemples déterministes pour illustrer les complexités du comportement du MLE. Il couvre également la construction d'estimateurs de type MLE asymptotique et l'algorithme de Newton-Raphson. La séance de cours se termine par une discussion sur les modèles et la probabilité mal spécifiés, soulignant limportance de lapproximation du modèle et le comportement des estimateurs dans de tels scénarios.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Yoav Zemel

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Concepts associés (32)

Maximum de vraisemblance

En statistique, l'estimateur du maximum de vraisemblance est un estimateur statistique utilisé pour inférer les paramètres de la loi de probabilité d'un échantillon donné en recherchant les valeurs des paramètres maximisant la fonction de vraisemblance. Cette méthode a été développée par le statisticien Ronald Aylmer Fisher en 1922. Soient neuf tirages aléatoires x1, ..., x9 suivant une même loi ; les valeurs tirées sont représentées sur les diagrammes ci-dessous par des traits verticaux pointillés.

Théorie de l'estimation

En statistique, la théorie de l'estimation s'intéresse à l'estimation de paramètres à partir de données empiriques mesurées ayant une composante aléatoire. Les paramètres décrivent un phénomène physique sous-jacent tel que sa valeur affecte la distribution des données mesurées. Un estimateur essaie d'approcher les paramètres inconnus à partir des mesures.

Estimateur (statistique)

En statistique, un estimateur est une fonction permettant d'estimer un moment d'une loi de probabilité (comme son espérance ou sa variance). Il peut par exemple servir à estimer certaines caractéristiques d'une population totale à partir de données obtenues sur un échantillon comme lors d'un sondage. La définition et l'utilisation de tels estimateurs constitue la statistique inférentielle. La qualité des estimateurs s'exprime par leur convergence, leur biais, leur efficacité et leur robustesse.

Fonction de vraisemblance

vignette|Exemple d'une fonction de vraisemblance pour le paramètre d'une Loi de Poisson En théorie des probabilités et en statistique, la fonction de vraisemblance (ou plus simplement vraisemblance) est une fonction des paramètres d'un modèle statistique calculée à partir de données observées. Les fonctions de vraisemblance jouent un rôle clé dans l'inférence statistique fréquentiste, en particulier pour les méthodes statistiques d'estimation de paramètres.

Invariant estimator

In statistics, the concept of being an invariant estimator is a criterion that can be used to compare the properties of different estimators for the same quantity. It is a way of formalising the idea that an estimator should have certain intuitively appealing qualities. Strictly speaking, "invariant" would mean that the estimates themselves are unchanged when both the measurements and the parameters are transformed in a compatible way, but the meaning has been extended to allow the estimates to change in appropriate ways with such transformations.

Afficher plus

Séances de cours associées (52)

Statistiques pour la science des données: introduction aux méthodes statistiques

Couvre les concepts fondamentaux de la statistique et leur application dans la science des données.

Méthodes d'estimation dans les probabilités et les statistiques

Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.

Estimation maximale de la probabilité

Couvre l'estimation de la vraisemblance maximale pour estimer les paramètres en maximisant la précision de la prédiction, en démontrant par un exemple simple et en discutant de la validité par le biais de tests d'hypothèses.

Test du rapport de probabilité : test d'hypothèse

Couvre les méthodes de test du rapport de vraisemblance et de test d'hypothèse à l'aide d'estimations maximales de vraisemblance.

Estimation maximale de la probabilité MOOC: Introduction aux modèles de choix discrets

Couvre l'estimation de la vraisemblance maximale, la fonction de vraisemblance, l'estimation des paramètres et les tests d'hypothèse.

Afficher plus

Concepts associés (32)

Maximum de vraisemblance

Théorie de l'estimation

Estimateur (statistique)

Fonction de vraisemblance

Invariant estimator

Afficher plus