8 - Estimation Et Maximum de Vraisemblance
8 - Estimation Et Maximum de Vraisemblance
8 - Estimation Et Maximum de Vraisemblance
Stéphane Robin
© Équipe enseignante LU1INMA1
Cours #8 : Estimation et maximum de vraisemblance
Plan du cours
1 Notion d’estimateur
Estimateur / estimation
Propriétés d’un estimateur
2 Exemples d’estimateurs
Estimation de l’espérance
Estimation d’une probabilité
4 Si le temps le permet
Estimateur du maximum de vraisemblance
5 Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 1/22
Inférence
Objectif.
Données (souvent) recueillies pour mieux comprendre un processus général.
Analyse des données à visée inférentielle : tirer des conclusions ayant une valeur générale,
qui ne se limite pas aux données observées.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 2/22
Inférence
Objectif.
Données (souvent) recueillies pour mieux comprendre un processus général.
Analyse des données à visée inférentielle : tirer des conclusions ayant une valeur générale,
qui ne se limite pas aux données observées.
Sauf à considérer les passagers du Titanic comme un échantillon d’une population plus
large.
(Par exemple : les passagers des voyages transatlantiques au début du XXème siècle.)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 2/22
Cours #8 : Estimation et maximum de vraisemblance
Plan du cours
1 Notion d’estimateur
Estimateur / estimation
Propriétés d’un estimateur
2 Exemples d’estimateurs
Estimation de l’espérance
Estimation d’une probabilité
4 Si le temps le permet
Estimateur du maximum de vraisemblance
5 Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 3/22
Exemple : durée de chômage
Durée de chômage
On a relevé la durée de chômage (exprimée en semaines) de n = 452 personnes au chômage
(et ayant retrouvé un emploi, source : États-unis, 1993).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 4/22
Exemple : durée de chômage
Durée de chômage
On a relevé la durée de chômage (exprimée en semaines) de n = 452 personnes au chômage
(et ayant retrouvé un emploi, source : États-unis, 1993).
Ces 452 personnes constituent un échantillon d’une population plus large (les chômeurs
états-uniens en 1993). On s’intéresse typiquement
à l’espérance de la durée de chômage dans la population,
à sa variance,
à la probabilité que cette durée excède 1 an (= 52 semaines).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 4/22
Cadre général
pour tout 1 ≤ i ≤ n : Xi ∼ F .
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 5/22
Cadre général
pour tout 1 ≤ i ≤ n : Xi ∼ F .
Durée de chômage
La durée de chômage de chaque individu 1 ≤ i ≤ n = 452 est une variable Xi ∼ F et on
s’intéresse à
l’espérance de X : µ = E(X ),
la variance de X : σ 2 = V(X ),
la probabilité que X dépasse 52 : π = P{X > 52}
(on peut omettre l’indice i de X car tous les Xi sont de même loi).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 5/22
Notion d’estimateur (1/2)
Un estimateur est une fonction des observations, dont la réalisation est sensée “bien estimer”
une caractéristique (ou paramètre) d’intérêt.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 6/22
Notion d’estimateur (1/2)
Un estimateur est une fonction des observations, dont la réalisation est sensée “bien estimer”
une caractéristique (ou paramètre) d’intérêt.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 6/22
Notion d’estimateur (1/2)
Un estimateur est une fonction des observations, dont la réalisation est sensée “bien estimer”
une caractéristique (ou paramètre) d’intérêt.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 6/22
Notion d’estimateur (2/2)
n
1X
Estimateur : moyenne de l’échantillon M = Xi .
n i=1
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 7/22
Notion d’estimateur (2/2)
n
1X
Estimateur : moyenne de l’échantillon M = Xi .
n i=1
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 7/22
Notion d’estimateur (2/2)
n
1X
Estimateur : moyenne de l’échantillon M = Xi .
n i=1
Durée de chômage
On trouve
µ
b = 18.51 semaines (' 4.3 mois).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 7/22
Propriétés d’une estimateur
Objectif. Etudier la qualité d’un estimateur (ex. : M) en vue de l’estimation d’un paramètre
donné (ex. : µ).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 8/22
Propriétés d’une estimateur
Objectif. Etudier la qualité d’un estimateur (ex. : M) en vue de l’estimation d’un paramètre
donné (ex. : µ).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 8/22
Propriétés d’une estimateur
Objectif. Etudier la qualité d’un estimateur (ex. : M) en vue de l’estimation d’un paramètre
donné (ex. : µ).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 8/22
Cours #8 : Estimation et maximum de vraisemblance
Plan du cours
1 Notion d’estimateur
Estimateur / estimation
Propriétés d’un estimateur
2 Exemples d’estimateurs
Estimation de l’espérance
Estimation d’une probabilité
4 Si le temps le permet
Estimateur du maximum de vraisemblance
5 Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 9/22
Estimation de l’espérance
On suppose qu’on dispose d’un échantillon i.i.d. (X1 , . . . Xn ) de loi F .
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 10/22
Estimation de l’espérance
On suppose qu’on dispose d’un échantillon i.i.d. (X1 , . . . Xn ) de loi F .
E(M) = µ. (1)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 10/22
Estimation de l’espérance
On suppose qu’on dispose d’un échantillon i.i.d. (X1 , . . . Xn ) de loi F .
E(M) = µ. (1)
Variance de la moyenne
En notant σ 2 la variance de la loi F , la moyenne M d’un n-échantillon i.i.d. de F a pour
variance
V(M) = σ 2 /n. (2)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 10/22
Estimation de l’espérance
On suppose qu’on dispose d’un échantillon i.i.d. (X1 , . . . Xn ) de loi F .
E(M) = µ. (1)
Variance de la moyenne
En notant σ 2 la variance de la loi F , la moyenne M d’un n-échantillon i.i.d. de F a pour
variance
V(M) = σ 2 /n. (2)
Remarques.
1 La variance de la moyenne M tend vers 0 quand n tend vers l’infini.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 10/22
Estimation de l’espérance
On suppose qu’on dispose d’un échantillon i.i.d. (X1 , . . . Xn ) de loi F .
E(M) = µ. (1)
Variance de la moyenne
En notant σ 2 la variance de la loi F , la moyenne M d’un n-échantillon i.i.d. de F a pour
variance
V(M) = σ 2 /n. (2)
Remarques.
1 La variance de la moyenne M tend vers 0 quand n tend vers l’infini.
2 La précision d’un estimateur est souvent mesurée par son écart-type : l’écart-type de la
√
moyenne M vaut σ/ n.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 10/22
Estimation d’une probabilité
Objectif. On considère un échantillon i.i.d. de variables binaires (Xi ∈ {0, 1}), et on cherche à
estimer la probabilité
π = P{Xi = 1}.
La proportion de valeur ’1’ dans l’échantillon
|{i : Xi = 1}|
P=
n
est un estimateur naturel de cette probabilité.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 11/22
Estimation d’une probabilité
Objectif. On considère un échantillon i.i.d. de variables binaires (Xi ∈ {0, 1}), et on cherche à
estimer la probabilité
π = P{Xi = 1}.
La proportion de valeur ’1’ dans l’échantillon
|{i : Xi = 1}|
P=
n
est un estimateur naturel de cette probabilité.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 11/22
Estimation d’une probabilité
Objectif. On considère un échantillon i.i.d. de variables binaires (Xi ∈ {0, 1}), et on cherche à
estimer la probabilité
π = P{Xi = 1}.
La proportion de valeur ’1’ dans l’échantillon
|{i : Xi = 1}|
P=
n
est un estimateur naturel de cette probabilité.
Durée de chômage
Parmi les n = 452 personnes de l’échantillon, 38 d’entre elles ont connu une période de
chômage de plus d’un an (xi > 52). La probabilité que la durée de chômage excède un an est
donc estimée à
38
π
b= = 0.0841.
452
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 11/22
Cours #8 : Estimation et maximum de vraisemblance
Plan du cours
1 Notion d’estimateur
Estimateur / estimation
Propriétés d’un estimateur
2 Exemples d’estimateurs
Estimation de l’espérance
Estimation d’une probabilité
4 Si le temps le permet
Estimateur du maximum de vraisemblance
5 Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 12/22
Estimation par maximum de vraisemblance (1/2)
Objectif. On ne dispose pas toujours d’un estimateur “naturel” pour un paramètre d’intérêt.
Il s’agit donc de définir une méthode générique pour définir un estimateur ou une estimation.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 13/22
Estimation par maximum de vraisemblance (1/2)
Objectif. On ne dispose pas toujours d’un estimateur “naturel” pour un paramètre d’intérêt.
Il s’agit donc de définir une méthode générique pour définir un estimateur ou une estimation.
Principe. Une méthode classique pour estimer un paramètre consiste à déterminer la valeur du
paramètre qui maximise la vraisemblance de l’échantillon observé.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 13/22
Estimation par maximum de vraisemblance (1/2)
Objectif. On ne dispose pas toujours d’un estimateur “naturel” pour un paramètre d’intérêt.
Il s’agit donc de définir une méthode générique pour définir un estimateur ou une estimation.
Principe. Une méthode classique pour estimer un paramètre consiste à déterminer la valeur du
paramètre qui maximise la vraisemblance de l’échantillon observé.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 13/22
Estimation par maximum de vraisemblance (2/2)
Remarques.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 14/22
Estimation par maximum de vraisemblance (2/2)
Remarques.
1 La vraisemblance est à prendre au sens littéral : elle mesure la plausibilité d’un échantillon
pour une valeur donnée du paramètre.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 14/22
Estimation par maximum de vraisemblance (2/2)
Remarques.
1 La vraisemblance est à prendre au sens littéral : elle mesure la plausibilité d’un échantillon
pour une valeur donnée du paramètre.
2 Dans la suite on se concentrera sur le cas des variables continues. Le cas des variables
discrètes se traite de façon analogue.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 14/22
Estimation par maximum de vraisemblance (2/2)
Remarques.
1 La vraisemblance est à prendre au sens littéral : elle mesure la plausibilité d’un échantillon
pour une valeur donnée du paramètre.
2 Dans la suite on se concentrera sur le cas des variables continues. Le cas des variables
discrètes se traite de façon analogue.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 14/22
Vraisemblance d’un échantillon de loi exponentielle (1/2)
f (x) = λe −λx .
Pn
On connaît la vraisemblance d’un n-échantillon (x1 , . . . xn ) en notant y = i=1 xi :
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 15/22
Vraisemblance d’un échantillon de loi exponentielle (1/2)
f (x) = λe −λx .
Pn
On connaît la vraisemblance d’un n-échantillon (x1 , . . . xn ) en notant y = i=1 xi :
Durée de chômage
On observe
n = 452, y = 8367,
la fonction de vraisemblance est donc
et la fonction de log-vraisemblance
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 15/22
Vraisemblance d’un échantillon de loi exponentielle (2/2)
Durée de chômage
Fonction de log-vraisemblance L :
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 16/22
Estimation par maximum de vraisemblance
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 17/22
Estimation par maximum de vraisemblance
Pour des raisons calculatoires, il est souvent plus simple de manipuler la log-vraisemblance que
la vraisemblance elle-même.
Maximum de log-vraisemblance
L’estimation du maximum de vraisemblance θbMV maximise également la log-vraisemblance de
l’échantillon observé
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 17/22
Exemple : loi exponentielle
Estimation du maximum de vraisemblance pour la loi exponentielle
Soit (x1 , . . . xn ) la réalisation d’un échantillon i.i.d. de loi exponentielle E(λ). La fonction de
log-vraisemblance L(x1 , . . . xn ; λ) est maximale pour l’inverse de la moyenne
λ
b = n/y = 1/x. (5)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 18/22
Exemple : loi exponentielle
Estimation du maximum de vraisemblance pour la loi exponentielle
Soit (x1 , . . . xn ) la réalisation d’un échantillon i.i.d. de loi exponentielle E(λ). La fonction de
log-vraisemblance L(x1 , . . . xn ; λ) est maximale pour l’inverse de la moyenne
λ
b = n/y = 1/x. (5)
Durée de chômage
On suppose que les durées suivent une loi exponentielle E(λ).
b = n = 452
λ
y 8367
= 0.05402 semaines−1 .
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 18/22
Estimation d’une probabilité de dépassement
Objectif : Estimer d’autres quantités d’intérêt de la loi F (ex. : P{X > t}) à partir de
l’estimation du paramètre θ.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 19/22
Estimation d’une probabilité de dépassement
Objectif : Estimer d’autres quantités d’intérêt de la loi F (ex. : P{X > t}) à partir de
l’estimation du paramètre θ.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 19/22
Estimation d’une probabilité de dépassement
Objectif : Estimer d’autres quantités d’intérêt de la loi F (ex. : P{X > t}) à partir de
l’estimation du paramètre θ.
Durée de chômage
On dispose de λ
b = 0.05402, on peut donc esti-
mer P{X > t} par
> t} = e −λt
b
P{X
b
soit
(Pour mémoire, π
b = 0.0841.)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 19/22
Cas des seuils élevés
L’hypothèse d’une loi paramétrique est particulièrement utile pour les grandes valeurs de t.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 20/22
Cas des seuils élevés
L’hypothèse d’une loi paramétrique est particulièrement utile pour les grandes valeurs de t.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 20/22
Cas des seuils élevés
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 21/22
Cas des seuils élevés
Y ∼ N (µ, σ 2 )
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 21/22
Cas des seuils élevés
Y ∼ N (µ, σ 2 )
Estimation :
µ
b = 5.071, σ
b = 0.438.
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 21/22
Cas des seuils élevés
Y ∼ N (µ, σ 2 )
Estimation :
µ
b = 5.071, σ
b = 0.438.
Questions :
Quel estimateur pour µ ?
Quel estimateur pour σ 2 ?
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 21/22
Cas des seuils élevés
1
Z +∞
(u − µ)2
P{X > t} = P{Y > log(t)} = √ exp − du.
σ 2π log(t) 2σ 2
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 22/22
Cas des seuils élevés
1
Z +∞
(u − µ)2
P{X > t} = P{Y > log(t)} = √ exp − du.
σ 2π log(t) 2σ 2
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 22/22
Cours #8 : Estimation et maximum de vraisemblance
Plan du cours
1 Notion d’estimateur
Estimateur / estimation
Propriétés d’un estimateur
2 Exemples d’estimateurs
Estimation de l’espérance
Estimation d’une probabilité
4 Si le temps le permet
Estimateur du maximum de vraisemblance
5 Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 23/22
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 24/22
Estimation 6= Estimateur du maximum de vraisemblance
Rappel :
Estimation = valeur fixe (ex. : réel)
Estimateur = variable aléatoire (espérance, biais, variance)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 25/22
Estimation 6= Estimateur du maximum de vraisemblance
Rappel :
Estimation = valeur fixe (ex. : réel)
Estimateur = variable aléatoire (espérance, biais, variance)
Maximum de vraisemblance :
θbMV = estimation du maximum de vraisemblance = maximum de la fonction
∀θ : b ≥ V (x1 , . . . , x2 ; θ)
V (x1 , . . . , x2 ; θ)
∀θ : V (X1 , . . . , X2 ; T ) ≥ V (X1 , . . . , X2 ; θ)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 25/22
Estimation 6= Estimateur du maximum de vraisemblance
Rappel :
Estimation = valeur fixe (ex. : réel)
Estimateur = variable aléatoire (espérance, biais, variance)
Maximum de vraisemblance :
θbMV = estimation du maximum de vraisemblance = maximum de la fonction
∀θ : b ≥ V (x1 , . . . , x2 ; θ)
V (x1 , . . . , x2 ; θ)
∀θ : V (X1 , . . . , X2 ; T ) ≥ V (X1 , . . . , X2 ; θ)
Étude des propriétés générales de TMV hors programme (pas toujours de forme explicite).
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 25/22
Exemple : loi exponentielle (1/2)
Loi exponentielle
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 26/22
Exemple : loi exponentielle (2/2)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 27/22
Exemple : loi exponentielle (2/2)
n n2
E(ΛMV ) = λ, V(ΛMV ) = λ2 .
n−1 (n − 1)2 (n − 2)
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 27/22
Exemple : loi exponentielle (2/2)
n n2
E(ΛMV ) = λ, V(ΛMV ) = λ2 .
n−1 (n − 1)2 (n − 2)
λ
E(ΛMV ) − λ = .
n−1
que sa variance tend vers 0 :
lim V(ΛMV ) = 0.
n→∞
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 27/22
Cours #8 : Estimation et maximum de vraisemblance
Plan du cours
1 Notion d’estimateur
Estimateur / estimation
Propriétés d’un estimateur
2 Exemples d’estimateurs
Estimation de l’espérance
Estimation d’une probabilité
4 Si le temps le permet
Estimateur du maximum de vraisemblance
5 Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 28/22
Démonstrations
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 29/22
Estimation de l’espérance I
Comme les Xi sont i.i.d.de loi F , ils ont chacun pour espérance µ, et donc
n
1X 1
E(M) = µ = nµ = µ.
n i=1 n
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 30/22
Estimation de l’espérance II
n n
! !
1X 1 X
V(M) = V Xi = V Xi .
n i=1 n2 i=1
Comme les Xi sont indépendants, la variance de leur somme est la somme de leurs variances
(cf TD no 6) :
n
1 X
V(M) = 2 V (Xi ) .
n i=1
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 31/22
Estimation d’une proportion I
L’équation (1) nous assure lors que P est un estimateur sans biais :
E(P) = E(Xi ) = π
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 32/22
Maximum de vraisemblance I
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 33/22
Maximum de vraisemblance II
On vérifie qu’il s’agit bien d’un maximum en vérifiant que la dérivée seconde
L00 (x1 , . . . , xn ; λ) b2
b = −n/λ
Stéphane Robin — Cours #8 : Estimation et maximum de vraisemblance — Sciences des données — 2021–2022 34/22