Probabilité maximale : estimation et inférence

Cette séance de cours couvre le concept d'estimation de la probabilité maximale (ML), un puissant outil d'analyse statistique permettant d'inférer des paramètres inconnus en adaptant les fonctions de densité de probabilité aux mesures de données. La séance de cours présente l'approche ML, en discutant de ses propriétés et applications dans l'analyse statistique moderne. Il étudie également la formulation de ML pour résoudre les problèmes d'inférence, comme l'estimation des paramètres pour les distributions gaussiennes et bêta. De plus, la séance de cours se plonge dans la limite inférieure de Cramer-Rao, qui fournit une limite sur la variance des estimateurs non biaisés, et discute des propriétés de l'impartialité, de l'efficacité et de la cohérence dans le contexte des estimateurs ML.