Séance de cours

Estimation maximale de la probabilité

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

MATH-240: Statistique

Ce cours donne une introduction au traitement mathématique de la théorie de l'inférence statistique en utilisant la notion de vraisemblance comme un thème central. ...

Description

Cette séance de cours porte sur le concept d'estimation maximale de la probabilité (MLE) dans l'inférence statistique, en mettant l'accent sur l'estimation des paramètres dans les modèles paramétriques réguliers. Il explique la liaison Cramér-Rao, la méthode de la probabilité maximale, et les propriétés de MLE dans les cas à la fois discrets et continus. La séance de cours traite également de l'information de Fisher et de l'unicité du MLE dans les familles exponentielles. L'instructeur fournit des exemples de MLE pour les distributions Bernoulli, exponentielle et gaussienne, soulignant l'importance de l'équivariance dans MLE. La séance de cours se termine par une proposition générale sur l'unicité du MLE dans les familles exponentielles à un paramètre.

Enseignant·e·s (2)

Victor Panaretos

Enseignement et PhD Doctorant·es actuel·les Ulysse Naepels, Nikitas Georgakis, Ho Yun A dirigé les thèses EPFL de Andrea Kraus, Shahin Tavakoli, Mikael Kuusela, Yoav Zemel, Marie-Hélène Descary, Valentina Masarotto, Tomas Rubin, Tomas Masák, Laya Ghodrati, Kartik Waghmare, Leonardo Santoro A co-dirigé les thèses EPFL de Matthieu Simeoni, Ophelia Miralles, Sonia Alouini, Timmy Rong Tian Tse, Krali Mario Cours Linear models MATH-341 Les modèles de régression sont des outils de base statistiq

Yoav Zemel

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Concepts associés (32)

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.

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.

Information de Fisher

En statistique, l'information de Fisher quantifie l'information relative à un paramètre contenue dans une distribution. Elle est définie comme l'espérance de l'information observée, ou encore comme la variance de la fonction de score. Dans le cas multi-paramétrique, on parle de matrice d'information de Fisher. Elle a été introduite par R.A. Fisher. Soit f(x ; θ) la distribution de vraisemblance d'une variable aléatoire X (qui peut être multidimensionnelle), paramétrée par θ.

Loi exponentielle

Une loi exponentielle modélise la durée de vie d'un phénomène sans mémoire, ou sans vieillissement, ou sans usure : la probabilité que le phénomène dure au moins s + t heures (ou n'importe quelle autre unité de temps) sachant qu'il a déjà duré t heures sera la même que la probabilité de durer s heures à partir de sa mise en fonction initiale. En d'autres termes, le fait que le phénomène ait duré pendant t heures ne change rien à son espérance de vie à partir du temps t.

Famille exponentielle

En théorie des probabilités et en statistique, une famille exponentielle est une classe de lois de probabilité dont la forme générale est donnée par : où est la variable aléatoire, est un paramètre et est son paramètre naturel. Les familles exponentielles présentent certaines propriétés algébriques et inférentielles remarquables. La caractérisation d'une loi en famille exponentielle permet de reformuler la loi à l'aide de ce que l'on appelle des paramètres naturels.

Afficher plus

Séances de cours associées (64)

Théorie statistique: Inférence et optimisation

Il explore la construction de régions de confiance, les tests d'hypothèse inversés et la méthode pivot, en soulignant l'importance des méthodes de probabilité dans l'inférence statistique.

Théorie statistique : Cramér-Rao Bound & Hypothesis Testing

Explore la limite de Cramér-Rao, les tests d'hypothèses et l'optimalité en théorie statistique.

Famille Exponentielle

Couvre les propriétés de la famille exponentielle et l'estimation des paramètres.

Estimation : Mesure des résultats

Explore les mesures d'estimation de la performance, y compris l'estimation liée à Cramér-Rao et la probabilité maximale.

Famille Exponentielle : Propriétés et Estimation

Explore les familles exponentielles, les distributions de Bernoulli, l'estimation des paramètres et les distributions d'entropie maximale dans la modélisation statistique.

Afficher plus

Concepts associés (32)

Théorie de l'estimation

Maximum de vraisemblance

Information de Fisher

Loi exponentielle

Famille exponentielle

Afficher plus