Type I and type II errorsIn statistical hypothesis testing, a type I error is the mistaken rejection of an actually true null hypothesis (also known as a "false positive" finding or conclusion; example: "an innocent person is convicted"), while a type II error is the failure to reject a null hypothesis that is actually false (also known as a "false negative" finding or conclusion; example: "a guilty person is not convicted").
Fonction de vraisemblancevignette|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.
Inférence bayésiennevignette|Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements.
Probabilité a prioriDans le théorème de Bayes, la probabilité a priori (ou prior) désigne une probabilité se fondant sur des données ou connaissances antérieures à une observation. Elle s'oppose à la probabilité a posteriori (ou posterior) correspondante qui s'appuie sur les connaissances postérieures à cette observation. Le théorème de Bayes s'énonce de la manière suivante : si . désigne ici la probabilité a priori de , tandis que désigne la probabilité a posteriori, c'est-à-dire la probabilité conditionnelle de sachant .
Statistique bayésienneLa statistique bayésienne est une approche statistique fondée sur l'inférence bayésienne, où la probabilité exprime un degré de croyance en un événement. Le degré initial de croyance peut être basé sur des connaissances a priori, telles que les résultats d'expériences antérieures, ou sur des croyances personnelles concernant l'événement. La perspective bayésienne diffère d'un certain nombre d'autres interprétations de la probabilité, comme l'interprétation fréquentiste qui considère la probabilité comme la limite de la fréquence relative d'un événement après de nombreux essais.
Fond cosmologique de neutrinosLe fond cosmologique de neutrinos (, en abrégé : CNB ou CνB (lire : « C-nu-B ») représente l'ensemble des neutrinos qui ont été produits lors du Big Bang. Ils représentent en nombre et en énergie totale la très grande majorité des neutrinos de tout l'univers. L'énergie individuelle des neutrinos cosmologiques est par contre très faible. Elle est du même ordre que celle des photons du fond diffus cosmologique, soit environ 0,2 milliélectron-volt si leur masse est nulle.
Énergie potentielle gravitationnelleEn physique classique, l'énergie potentielle gravitationnelle ou énergie potentielle de pesanteur est l'énergie que possède un corps du fait de sa position dans un champ gravitationnel. Son interprétation la plus naturelle est liée au travail qu'il faut fournir pour déplacer un objet plongé dans un champ gravitationnel. Comme pour toute énergie, son unité dans le Système international est le joule (J). L'énergie potentielle gravitationnelle est, comme toutes les formes d'énergies potentielles, définie à une constante additive arbitraire près.
Champ gravitationnelEn physique classique, le champ gravitationnel ou champ de gravitation est un champ réparti dans l'espace et dû à la présence d'une masse susceptible d'exercer une influence gravitationnelle sur tout autre corps présent à proximité (immédiate ou pas). L'introduction de cette grandeur permet de s'affranchir du problème de la médiation de l'action à distance apparaissant dans l'expression de la force de gravitation universelle.
DonnéeUne donnée est ce qui est connu et qui sert de point de départ à un raisonnement ayant pour objet la détermination d'une solution à un problème en relation avec cette donnée. Cela peut être une description élémentaire qui vise à objectiver une réalité, le résultat d'une comparaison entre deux événements du même ordre (mesure) soit en d'autres termes une observation ou une mesure. La donnée brute est dépourvue de tout raisonnement, supposition, constatation, probabilité.
Modèle statistiqueUn modèle statistique est une description mathématique approximative du mécanisme qui a généré les observations, que l'on suppose être un processus stochastique et non un processus déterministe. Il s’exprime généralement à l’aide d’une famille de distributions (ensemble de distributions) et d’hypothèses sur les variables aléatoires X1, . . ., Xn. Chaque membre de la famille est une approximation possible de F : l’inférence consiste donc à déterminer le membre qui s’accorde le mieux avec les données.
