Flashcard: Introduction aux estimateurs et méthodes statistiques — 23 carte

Estimateur — définition ?

Fonction des données pour estimer un paramètre.

Méthode des moments — principe ?

Faire coïncider moments empiriques et théoriques.

Vraisemblance — rôle ?

Maximiser la probabilité des données observées.

Information Xj sur Yj — modélisation ?

Loi conditionnelle de Yj sachant Xj = xj.

Estimateur optimal — propriété ?

Variance minimale parmi non biaisés.

Statistique bayésienne — principe ?

Intégrer la loi a priori avec la vraisemblance.

Classification supervisée — objectif ?

Prédire une étiquette à partir d’observations.

MLE — propriété ?

Consistant, asymptotiquement normal, efficace.

LDA — hypothèse ?

Mêmes matrices de covariance pour toutes classes.

QDA — différence avec LDA ?

Covariances différentes pour chaque classe.

Régression linéaire — modèle ?

Relation linéaire entre variables explicatives et cible.

Moindres carrés — principe ?

Minimiser la somme des carrés des résidus.

ACP — objectif ?

Réduire la dimension en expliquant la variance.

Composantes principales — interprétation ?

Projections orthogonales sur vecteurs propres.

Valeurs propres — rôle en ACP ?

Indiquent la variance expliquée par chaque composante.

Vecteurs propres — rôle en ACP ?

Directions de variance maximale.

Projection orthogonale — définition ?

Projection sur un vecteur propre.

Estimateur efficace — caractéristique ?

Atteint la borne de Cramér-Rao.

Loi a posteriori — rôle ?

Actualise la connaissance du paramètre après observation.

Classifieur plug-in — principe ?

Remplacer la fonction inconnue par son estimateur.

Analyse discriminante — modèle ?

Distribution normale conditionnelle des classes.

Variance d’un estimateur — rôle ?

Mesure la dispersion autour de la vraie valeur.

Borne de Cramér-Rao — limite ?

Variance inférieure possible pour estimateur non biaisé.