Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Distribution de Gumbel: Propriétés et Illustrations

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 couvre les propriétés de la distribution Gumbel, y compris la proposition Erds-Renyi et son application dans le problème du collecteur de coupons. Les diapositives illustrent les concepts avec des exemples et des preuves, mettant l'accent sur l'indépendance des événements.

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

Source officielle

Concepts associés (11)

Loi de Gumbel

En théorie des probabilités, la loi de Gumbel (ou distribution de Gumbel), du nom d'Émil Julius Gumbel, est une loi de probabilité continue. La loi de Gumbel est un cas particulier de la loi d'extremum généralisée au même titre que la loi de Weibull ou la loi de Fréchet. La loi de Gumbel est une approximation satisfaisante de la loi du maximum d'un échantillon de variables aléatoires indépendantes toutes de même loi, dès que cette loi appartient, précisément, au domaine d'attraction de la loi de Gumbel.

Loi d'extremum généralisée

En probabilité et statistique, la loi d'extrémum généralisée est une famille de lois de probabilité continues qui servent à représenter des phénomènes de valeurs extrêmes (minimum ou maximum). Elle comprend la loi de Gumbel, la loi de Fréchet et la loi de Weibull, respectivement lois d'extrémum de type I, II et III. Le théorème de Fisher-Tippett-Gnedenko établit que la loi d'extremum généralisée est la distribution limite du maximum (adéquatement normalisé) d'une série de variables aléatoires indépendantes de même distribution (iid).

Ajustement de loi de probabilité

Lajustement de la loi de probabilité ou simplement lajustement de la loi est l'ajustement d'une loi de probabilité à une série de données concernant la mesure répétée d'un phénomène aléatoire. L'ajustement de la loi a pour but de prédire la probabilité ou de prévoir la fréquence d'occurrence de l'ampleur du phénomène dans un certain intervalle. Il existe de nombreuses lois de probabilité, dont certaines peuvent être ajustées plus étroitement à la fréquence observée des données que d'autres, selon les caractéristiques du phénomène et de la loi.

Loi de Fréchet

En théorie des probabilités et en statistique, la loi de Fréchet est un cas particulier de loi d'extremum généralisée au même titre que la loi de Gumbel ou la loi de Weibull. Le nom de cette loi est dû à Maurice Fréchet, auteur d'un article à ce sujet en 1927. Des travaux ultérieurs ont été réalisés par Ronald Aylmer Fisher et L. H. C. Tippett en 1928 et par Emil Julius Gumbel en 1958. Sa fonction de répartition est donnée par : où est un paramètre de forme.

Id Tech

id Tech is a series of separate game engines designed and developed by id Software. Prior to the presentation of the id Tech 5-based game Rage in 2011, the engines lacked official designation and as such were simply referred to as the Doom and Quake engines, from the name of the main game series the engines had been developed for. "id Tech" has been released as free software under the GNU General Public License. id Tech versions 0 to 3 were released under GPL-2.0-or-later. id Tech versions 3.5 to 4.

Afficher plus

Séances de cours associées (16)

Gestion quantitative des risques : Copulas et réseaux d'adversaires génériques

Explore les copules, les algorithmes de simulation, l'ajustement des données avec les corrélations de rang, et les GAN pour la génération d'images.

Théorie des valeurs extrêmes : Limiter les distributions et les applications

Couvre la théorie des valeurs extrêmes, les distributions de VEG, la DGP et les dépassements de seuils.

Erreur de généralisation

Explore l'erreur de généralisation dans l'apprentissage automatique, en se concentrant sur la distribution des données et l'impact des hypothèses.

Problème de collecteur de cartouches

Explore le problème de collectionneur Carpan, en analysant les temps d'achèvement attendus et les temps d'attente pour la collecte de différents objets uniformément au hasard.

Théorie de la valeur extrême: GEV et GPD

Couvre la théorie de la valeur extrême, en se concentrant sur les distributions GEV et GPD et le modèle POT pour les dépassements de seuils.

Afficher plus

Concepts associés (11)

Loi de Gumbel

Loi d'extremum généralisée

Ajustement de loi de probabilité

Loi de Fréchet

Id Tech

Afficher plus