Séance de cours

Convergence dans la distribution

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

COM-417: Advanced probability and applications

In this course, various aspects of probability theory are considered. The first part covers the main theorems in the field (law of large numbers, central limit theorem), while the second part focuses on the theory of martingales and concentration inequalit ...

Description

Cette séance de cours introduit le concept de convergence dans la distribution des variables aléatoires, qui est un résultat fondamental de la théorie des probabilités. L'instructeur explique comment une séquence de variables aléatoires peut converger dans la distribution, en se concentrant sur la convergence de leurs distributions individuelles. La séance de cours couvre la définition de la convergence dans la distribution, sa relation avec d'autres types de convergence, et fournit une preuve formelle de ses propriétés. L'instructeur souligne l'importance de cette notion plus faible de convergence et de ses applications dans l'analyse du comportement asymptotique des sommes de variables aléatoires.

Enseignant·e·s (2)

Olivier Lévêque

Olivier Lévêque est né en Suisse en 1971. Il a reçu le diplôme d'ingénieur-physicien de l'EPFL en 1995 et obtenu le doctorat au Département de Mathématiques de l'EPFL en 2001. Depuis lors, il travaille au Laboratoire de Théorie de l'Information à l' EPFL. Il a passé l'année académique 2006-2007 au Département d'Electricité de l'Université de Stanford, où il a été nommé chargé de cours. Ses domaines d'intérêt comprennent la théorie de l'information, les matrices aléatoires et les équations aux dérivées partielles stochastiques.

Yanina Yurina Shkel

Enseignement et PhD Doctorant·es actuel·les Serhat Emre Coban, Anuj Kumar Yadav, Cemre Çadir Cours Advanced probability and applications COM-417 Dans ce cours, différents aspects de la théorie des probabilités sont abordés. La première partie est dévolue à ses principaux théorèmes (loi des grands nombres, théorème central limite), tandis que la seconde partie porte sur la théorie des martingales et inégalités de concentration. Signal processing COM-202 Théorie et appli.du t

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Concepts associés (32)

Axiomes des probabilités

En théorie des probabilités, les axiomes de probabilités, également appelés axiomes de Kolmogorov du nom d'Andreï Nikolaievitch Kolmogorov qui les a développés, désignent les propriétés que doit vérifier une application afin de formaliser l'idée de probabilité. Ces propriétés peuvent être résumées ainsi : si est une mesure sur un espace mesurable , alors doit être un espace de probabilité. Le théorème de Cox fournit une autre approche pour formaliser les probabilités, privilégiée par certains bayésiens.

Événement (probabilités)

vignette|Jeu de dés : une expérience aléatoire. En théorie des probabilités, un événement lié à une expérience aléatoire est un sous-ensemble des résultats possibles pour cette expérience (c'est-à-dire un certain sous-ensemble de l'univers lié à l'expérience). Un événement étant souvent défini par une proposition, nous devons pouvoir dire, connaissant le résultat de l'expérience aléatoire, si l'événement a été réalisé ou non au cours de cette expérience. Par exemple, considérons l'expérience aléatoire consistant à lancer un dé à 6 faces.

Convergence de variables aléatoires

Dans la théorie des probabilités, il existe différentes notions de convergence de variables aléatoires. La convergence (dans un des sens décrits ci-dessous) de suites de variables aléatoires est un concept important de la théorie des probabilités utilisé notamment en statistique et dans l'étude des processus stochastiques. Par exemple, la moyenne de n variables aléatoires indépendantes et identiquement distribuées converge presque sûrement vers l'espérance commune de ces variables aléatoires (si celle-ci existe).

Loi normale

En théorie des probabilités et en statistique, les lois normales sont parmi les lois de probabilité les plus utilisées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elles sont en lien avec de nombreux objets mathématiques dont le mouvement brownien, le bruit blanc gaussien ou d'autres lois de probabilité. Elles sont également appelées lois gaussiennes, lois de Gauss ou lois de Laplace-Gauss des noms de Laplace (1749-1827) et Gauss (1777-1855), deux mathématiciens, astronomes et physiciens qui l'ont étudiée.

Loi de Cauchy (probabilités)

La loi de Cauchy, appelée aussi loi de Lorentz, est une loi de probabilité continue qui doit son nom au mathématicien Augustin Louis Cauchy. Une variable aléatoire X suit une loi de Cauchy si sa densité , dépendant des deux paramètres et ( > 0) est définie par : La fonction ainsi définie s'appelle une lorentzienne. Elle apparaît par exemple en spectroscopie pour modéliser des raies d'émission. Cette distribution est symétrique par rapport à (paramètre de position), le paramètre donnant une information sur l'étalement de la fonction (paramètre d'échelle).

Afficher plus

Séances de cours associées (64)

Loi des grands nombres : Convergence forte

Explore la forte convergence des variables aléatoires et l'approximation de la distribution normale dans les probabilités et les statistiques.

Probabilités et statistiques : théorèmes fondamentaux

Explore les théorèmes fondamentaux dans la probabilité et les statistiques, les lois de probabilité conjointes et les distributions marginales.

Éléments de la statistique : probabilité et variables aléatoires

Introduit des concepts clés en variables de probabilité et aléatoires, couvrant les statistiques, les distributions et la covariance.

Variables aléatoires continues : idées de base

Explore les variables aléatoires continues et leurs propriétés, y compris les fonctions de support et de distribution cumulative.

Calculs des attentes

Couvre le calcul de l'attente et de la variance pour différents types de variables aléatoires, y compris les variables discrètes et continues.

Afficher plus

Concepts associés (32)

Axiomes des probabilités

Événement (probabilités)

Convergence de variables aléatoires

Loi normale

Loi de Cauchy (probabilités)

Afficher plus