38,99 €
Estimation paramétrique
Par :Formats :
- Paiement en ligne :
- Livraison à domicile ou en point Mondial Relay estimée à partir du 15 décembreCet article est actuellement indisponible, il ne peut pas être commandé sur notre site pour le moment. Nous vous invitons à vous inscrire à l'alerte disponibilité, vous recevrez un e-mail dès que cet ouvrage sera à nouveau disponible.
- Retrait Click and Collect en magasin gratuit
- Réservation en ligne avec paiement en magasin :
- Indisponible pour réserver et payer en magasin
- Nombre de pages148
- FormatGrand Format
- PrésentationBroché
- Poids0.335 kg
- Dimensions18,0 cm × 24,0 cm × 1,0 cm
- ISBN978-2-36693-120-4
- EAN9782366931204
- Date de parution01/09/2022
- CollectionSpartacus supérieur
- ÉditeurSpartacus IDH
Résumé
Cet ouvrage traite d'estimation paramétrique, à un ni-veau accessible à des étudiants de Licence ou de Master. Il intéressera également les candidats aux concours d'enseignement (CAPES, Agrégation, etc.). Quelques connaissances de base en probabilités sont nécessaires pour aborder ce cours, dont la progression permet de se familiariser facilement avec les notions fondamentales en vue de leurs applications pratiques.
On s'attache ici à présenter un cadre mathématique le plus simple possible pour comprendre les idées essentielles de l'estimation, aussi bien dans le cadre classique fréquen-tiste que bayesien. Après avoir établi la notion de modèle statistique et les importants, on définit le score et l'information de Fisher pour esquisser la théorie des estimateurs de variance minimale. On aborde ensuite le principe du maximum de vraisemblance avec des propriétés asymptotiques, avant de particulariser au cas pratiques d'estimateurs linéaires ou aux moindres carrés.
Dans le cadre bayesien, on compare les estimateurs MMSE, MAP et ML, ainsi que les estimateurs bayesiens linéaires. De nombreux exemples et exercices avec indications et contextes historiques viennent consolider les notions développées.
On s'attache ici à présenter un cadre mathématique le plus simple possible pour comprendre les idées essentielles de l'estimation, aussi bien dans le cadre classique fréquen-tiste que bayesien. Après avoir établi la notion de modèle statistique et les importants, on définit le score et l'information de Fisher pour esquisser la théorie des estimateurs de variance minimale. On aborde ensuite le principe du maximum de vraisemblance avec des propriétés asymptotiques, avant de particulariser au cas pratiques d'estimateurs linéaires ou aux moindres carrés.
Dans le cadre bayesien, on compare les estimateurs MMSE, MAP et ML, ainsi que les estimateurs bayesiens linéaires. De nombreux exemples et exercices avec indications et contextes historiques viennent consolider les notions développées.
