Séances de cours associées à Filtre Kalman étendu

Filtration de Kalman : estimation de l'état et prévision

Explore le filtre Kalman pour l'estimation et la prédiction de l'état dans un cadre gaussien linéaire, en mettant l'accent sur l'optimalité du prédicteur et du filtre.

Statistiques multivariées: Wishart et Hotelling T2

Explore la distribution de Wishart, les propriétés des matrices de Wishart, et la distribution de T2 de Hotelling, y compris la statistique T2 de deux exemples Hotelling.

Estimation du rétrécissement des grandes matrices de covariance

Explorer l'estimation du rétrécissement des matrices de covariance à haute dimension, en comparant les approches linéaires et non linéaires pour une meilleure précision.

Modélisation structurelle et le filtre Kalman: Séries chronologiques

Explore la modélisation structurelle dans les séries chronologiques et introduit le filtre Kalman pour la prédiction et l'estimation.

Filtre Kalman: Séries chronologiques

Couvre la modélisation structurelle, les modèles d'espace d'état, et le filtre Kalman dans l'analyse des séries temporelles.

Composantes principales : Propriétés et applications

Explore les principales composantes, la covariance, la corrélation, le choix et les applications dans l'analyse des données.

Statistiques multivariées: Introduction et méthodes

Introduit des statistiques multivariées, mettant l'accent sur la découverte d'associations entre les composantes des données sous forme vectorielle.

Matrices définies non négatives et matrices de covariance

Couvre les matrices définies non négatives, les matrices de covariance et l'analyse en composantes principales pour une réduction optimale des dimensions.

Fonctions de réponse du marché

Explore les fonctions de réponse du marché, les plantages instantanés, l'estimation de corrélation et le filtrage du bruit dans la finance.

Analyse des composantes principales : théorie et applications

Couvre la théorie et les applications de l'analyse des composantes principales, en mettant l'accent sur la réduction des dimensions et les vecteurs propres.

Statistiques à variables multiples : distribution normale

Couvre la distribution normale multivariée, les propriétés et les méthodes d'échantillonnage.

Analyse des composantes principales : réduction des dimensions

Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.

Statistiques à variables multiples : distribution normale

Introduit des statistiques multivariées, couvrant les propriétés de distribution normales et les fonctions caractéristiques.

Distributions courantes : Moments et FMM

Couvre les distributions communes, les fonctions génératrices de temps et les matrices de covariance dans les statistiques pour la science des données.

Analyse des composantes principales : propriétés et applications

Explorer la théorie principale de l'analyse des composants, les propriétés, les applications et les tests d'hypothèse dans les statistiques multivariées.

Régression non paramétrique pour les réseaux

Explore la régression non paramétrique pour les réseaux, couvrant l'analyse des données d'objets, les graphiques de réseaux, les distances extrinsèques et les projections pratiques.

Séries chronologiques: Fondements et modèles

Couvre les principes fondamentaux de l'analyse des séries chronologiques, y compris les modèles, la stationnarité et les aspects pratiques.

Séries chronologiques: Modélisation structurelle et filtre Kalman

Couvre la modélisation structurale, le filtre Kalman, la stationnarité, les méthodes d'estimation, la prévision et les modèles ARCH dans les séries chronologiques.

Modèles ARCH et GARCH Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les modèles ARCH et GARCH, le regroupement de volatilité, les séries chronologiques, l'estimation et les étapes de filtrage dans les contextes financier et macroéconomique.

Conjecture de corrélation gaussienne Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la preuve de la conjecture de corrélation gaussienne et ses implications sur les vecteurs aléatoires et les matrices de covariance.