Statistique descriptive

La statistique descriptive est la branche des statistiques qui regroupe les nombreuses techniques utilisées pour décrire un ensemble relativement important de données. L'objectif de la statistique descriptive est de décrire, c'est-à-dire de résumer ou représenter, par des statistiques, les données disponibles quand elles sont nombreuses. Toute description d'un phénomène nécessite d'observer ou de connaître certaines choses sur ce phénomène. Les observations disponibles sont toujours constituées d'ensemble d'observations synchrones. Par exemple : une température, une pression et une mesure de densité à un instant donné dans une cuve précise. Ces trois variables synchrones peuvent être observées plusieurs fois (à plusieurs dates) en plusieurs lieux (dans plusieurs cuves). Les connaissances disponibles sont quant à elles constituées de formules qui relient certaines variables. Par exemple, la loi des gaz parfaits . Il est assez compliqué de définir la meilleure description possible d'un phénomène. Dans le cadre des statistiques, il s'agira de fournir toute l'information disponible sur le phénomène en moins de chiffres et de mots possibles. Typiquement, la loi des gaz parfaits est une très bonne description du phénomène constitué du comportement d'un gaz en état d'équilibre dont on n'observe que la pression, la température et le volume. La valeur de la constante peut alors être vue comme une statistique associée à cette description. La question de la description visuelle se pose aussi, mais nous la mettrons provisoirement de côté. L'article Visualisation des données y répond plus directement. Le point de vue statistique sur la description d'un phénomène provient de ce que l'on considère que les observations disponibles sont différentes manifestations du même phénomène abstrait. Pour rester sur l'exemple de la température, la pression et la densité mesurées en plusieurs instants, on va considérer qu'à chaque fois que l'on prend ces trois mesures, on observe le même phénomène.

An extension of the stochastic sewing lemma and applications to fractional stochastic calculus

Toyomu Matsuda

We give an extension of Le's stochastic sewing lemma. The stochastic sewing lemma proves convergence in

L_m

of Riemann type sums

\sum _{[s,t] \in \pi } A_{s,t}

for an adapted two-parameter stochastic process A, under certain conditions on the moments o ...

Cambridge Univ Press2024

An extension of the stochastic sewing lemma and applications to fractional stochastic calculus

Orchestrating chromosome conformation capture analysis with Bioconductor

Probing Catalytic Sites and Adsorbate Spillover on Ultrathin FeO2-x Film on Ir(111) during CO Oxidation

Probing Catalytic Sites and Adsorbate Spillover on Ultrathin FeO2-x Film on Ir(111) during CO Oxidation

Orchestrating chromosome conformation capture analysis with Bioconductor

An extension of the stochastic sewing lemma and applications to fractional stochastic calculus