
Une méthode statistique pour estimer des paramètres en maximisant la fonction de vraisemblance.L'estimation par maximum de vraisemblance (EMV) est une pierre angulaire de l'inférence statistique. Elle offre une méthode rigoureuse pour choisir les paramètres d'une distribution de probabilité qui expliquent le mieux les données observées. Étant donné un ensemble de points de données et un modèle candidat (par exemple, une distribution normale avec une moyenne et une variance inconnues), l'EMV sélectionne les valeurs des paramètres qui rendent les données observées les plus probables sous ce modèle. Cette « probabilité maximale » est quantifiée par la fonction de vraisemblance, qui mesure la probabilité des données en fonction des paramètres.
La méthode a été introduite par Ronald Fisher dans les années 1920, en s'appuyant sur des travaux antérieurs de Carl Friedrich Gauss et d'autres. Fisher a formalisé le concept et établi ses propriétés souhaitables, telles que la convergence et l'efficacité.
La fonction de vraisemblance L(θ | données) est construite comme le produit des probabilités (ou densités de probabilité) de chaque point de données observé, étant donné le vecteur de paramètres θ. L'EMV trouve le θ qui maximise ce produit. En pratique, on maximise souvent la log-vraisemblance (le logarithme népérien de L) car elle transforme le produit en somme, ce qui est plus facile à dériver et numériquement stable. Le maximum est trouvé en annulant la dérivée de la log-vraisemblance par rapport à θ et en résolvant, ou en utilisant des algorithmes d'optimisation numérique itératifs lorsqu'aucune solution analytique n'existe.
L'EMV est omniprésente en science et en ingénierie : elle sous-tend l'analyse de régression, l'entraînement des réseaux de neurones (via la perte d'entropie croisée) et l'estimation des paramètres dans les expériences de physique, de la physique des particules à la cosmologie.
L'EMV n'est pas toujours sans biais : par exemple, l'estimation par maximum de vraisemblance de la variance d'une distribution normale est biaisée vers le bas d'un facteur (n-1)/n, ce qui explique pourquoi la variance d'échantillon utilise n-1.
















