Séance de cours

Inférence semiparamétrique pour les données manquantes

Séances de cours associées (32)

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.

Probabilité et statistiques

Introduit la probabilité, les statistiques, les distributions, l'inférence, la probabilité et la combinatoire pour étudier les événements aléatoires et la modélisation en réseau.

Optimisation dans la théorie de la décision : estimation impartiale

Explore l'optimalité dans la théorie de la décision et l'estimation impartiale, en mettant l'accent sur la suffisance, l'exhaustivité et les limites inférieures du risque.

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.

Le phénomène Stein et la superefficacité

Explore le phénomène Stein, présentant les avantages du biais dans les statistiques de grande dimension et la supériorité de l'estimateur James-Stein sur l'estimateur de probabilité maximale.

Théorie statistique : estimation maximale de vraisemblance

Explore la cohérence et les propriétés asymptotiques de l’estimateur de vraisemblance maximale, y compris les défis à relever pour prouver sa cohérence et construire des estimateurs de type MLE.

Théorie statistique : Cramér-Rao Bound & Hypothesis Testing

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

Estimateurs et intervalles de confiance

Explore le biais, la variance, les estimateurs non biaisés et les intervalles de confiance dans l'estimation statistique.

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.

Théorie statistique : Fondamentaux

Couvre les bases de la théorie statistique, y compris les modèles de probabilité, les variables aléatoires et les distributions déchantillonnage.

Régression linéaire : ajustement du modèle et estimation des paramètres

Explique la décomposition de la somme totale des carrés, lajustement du modèle et lestimation des paramètres en régression linéaire.

Paradoxe bus rouge/bus bleu

Explore le paradoxe du bus rouge/bus bleu, les modèles de logit imbriqués et les modèles multivariés d'extrême valeur dans le transport.

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 génériques implicites

Explore des modèles générateurs implicites, couvrant des sujets comme la méthode des moments, le choix du noyau et la robustesse des estimateurs.

Estimateurs et biais

Explore les estimateurs, les biais et l'efficacité des statistiques, en mettant l'accent sur le compromis entre biais et variabilité.

Modèles statistiques et estimation des paramètres

Explore les modèles statistiques, l'estimation des paramètres et les distributions d'échantillonnage dans les probabilités et les statistiques.

Principes de base de l'estimation ponctuelle

Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.

Modèles paramétriques : Estimateurs de régression et optimisation

Couvre les modèles paramétriques, les estimateurs de régression et l'optimisation dans la modélisation statistique.

Estimation statistique : modèle linéaire gaussien

Se penche sur l'estimation statistique, en mettant en évidence le modèle linéaire gaussien et les limites des estimateurs ML.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.