Séances de cours associées à Estimateur de variance

Estimation et intervalles de confiance

Explore les biais, la variance et les intervalles de confiance dans l'estimation des paramètres à l'aide d'exemples et de distributions.

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.

Estimation des points dans les statistiques

Explore l'estimation ponctuelle dans les statistiques, en discutant du biais, de la variance, de l'erreur quadratique moyenne et de la cohérence des estimateurs.

Introduction à la détection quantique: estimation des paramètres et informations sur les pêcheurs

Présente Fisher Information pour l'estimation des paramètres basée sur les données recueillies.

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Distributions d'échantillonnage : Estimations et écarts

Couvre l'estimation des paramètres, le MSE, l'information Fisher, et le théorème Rao-Blackwell.

Distributions d'échantillonnage: Théorie et applications

Explorer les distributions d'échantillonnage, les propriétés des estimateurs et les mesures statistiques pour les applications de 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.

Distributions d'échantillonnage : Estimation

Explorer les distributions d'échantillonnage, les méthodes d'estimation et la cohérence dans l'estimation des paramètres.

Partialité, variance, cohérence, EMV

Couvre le biais, la variance, l'erreur carrée moyenne, la cohérence et l'estimation de la probabilité maximale dans le modèle Poisson.

Intervalles de confiance : définition et estimation

Explique les intervalles de confiance, les méthodes d'estimation des paramètres et le théorème de la limite centrale dans l'inférence statistique.

Estimation statistique: Propriétés et distributions MOOC: Introduction aux modèles de choix discrets

Explore l'estimation statistique des paramètres, la précision de l'échantillon et les propriétés des variables de Bernoulli.

Estimation statistique

Explore l'estimation statistique, comparant les estimateurs basés sur la moyenne et la variance, et plongeant dans l'erreur carrée moyenne et Cramér-Rao lié.

Paramètre Estimation: Détection & Estimation

Couvre les concepts d'estimation des paramètres, y compris les estimateurs impartiaux et les informations de Fisher.

Méthodes d'estimation ponctuelle: MOM et MLE

Explore des méthodes d'estimation ponctuelle comme MOM et MLE, en discutant de biais, de variance et d'exemples.

Paramètre Estimation & Fisher Information

Couvre l'estimation des paramètres, les informations de Fisher, l'estimateur non biaisé et les distributions exponentielles.

Densité des États et inférence bayésienne en mathématiques computationnelles

Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Intervalles de confiance : Estimation gaussienne

Explore les intervalles de confiance, l'estimation gaussienne, l'inégalité Cramér-Rao et les estimations maximales de vraisemblance.

Fisher Information, Inégalités Cramér-Rao, MLE

Explique l'information Fisher, l'inégalité Cramér-Rao et les propriétés MLE, y compris l'invariance et l'asymptotique.