Bonjour,
avec toutes vos indications, voilà ce que j'ai sorti.
que pensez vous de cela :
Code : Tout sélectionner
AIC = -2 log(L) +2k
où L est la vraisemblance maximisée et k le nombre de paramètres du modèles
La
vraisemblance d'un modèle par rapport aux données est la probabilité que l'observation soit adaptée au modèle. SOit p(x) une distribution de probabilité quelconque. Pour chaque observation (xi) on mesure la valeur de p(xi) que la distribution prend pour cette observation et on réalise le produit de ces valeurs. Le résultat du produit est la vraisemblance, il s'agit donc d'une mesure d'adéquation entre un échantillon et une distribution de probabilité. La
vraisemblance maximisée est donc la valeur de la vraisemblance pour laquelle la probabilité de l'observation dans le modèle est la plus forte.
est ce clair ? n'y a t il pas trop de redondance ? est ce "autosuffisant" pour expliquer ce que représente la vraisemblance et comment la mesurer ?
sachant que je ne doit pas faire un roman non plus... a t'on l'idée essentielle bien retranscrite ?
enfin, juste un détail :
on dit que l'AIC représente un compromis biais/parcimonie. De quel biais parle t on dans ce cas ? le biais des données ? du paramètre estimé ? ou du modèle ?
j'aurais tendance à m'orienter vers le biais du modèle puisque l'AIC permet, entre autre, la sélection d'un modèle vis à vis d'un autre.. me trompe-je ?