La mÃ©thode de Maximum Likelihood

More documents

Recommendations

Info

La méthode de Maximum Likelihood Cycle complet d’un analyse ML : (1) estimation des paramètres du modèle à partir d’un arbre choisi au hasard (exemple : arbre NJ) (2) optimisation des longueurs de branches pour chaque topologie possible, en fonction des paramètres estimés (3) si la meilleure topologie est différente de l’arbre de départ, réestimation des paramètres (4) nouvelle optimisation des longueurs de branches pour chaque topologie possible Tant qu’une amélioration du score de likelihood est possible, il faut continuer ce cycle…
La méthode de Maximum Likelihood Avantages de la vraisemblance Permet une utilisation optimale du modèle d’évolution en tenant compte de l’information contenue dans tous les sites ; théoriquement efficace même lorsque les taux de substitution varient entre taxa (LBA). Défauts de la vraisemblance Méthode très coûteuse en temps de calcul.
Page 1 and 2: mercredi 12 septembre 2007 programm
Page 5 and 6: LBA, de la parcimonie à la vraisem
Page 13 and 14: La méthode de Maximum Likelihood M
Page 15 and 16: La méthode de Maximum Likelihood V
Page 17 and 18: La méthode de Maximum Likelihood C
Page 23 and 24: La méthode de Maximum Likelihood L
Page 25 and 26: La méthode de Maximum Likelihood T
Page 27: La méthode de Maximum Likelihood P
Page 31 and 32: Autres approches probabilistes Parc
Page 33 and 34: Autres approches probabilistes Exem
Page 35 and 36: Comparaison entre les méthodes NJ,
Page 43 and 44: Introduction au programme PhyML Com
Page 45 and 46: Introduction au programmes Phyml,Ph

La mÃ©thode de Maximum Likelihood

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?