vignette|Exemple de distribution bimodale de minerais d'or. X : teneur en g/t ; Y : production en tonnes. Le caractère bimodal définit deux groupes de populations statistiques résultant de deux phénomènes différents. En probabilités et statistique, une distribution multimodale est une distribution statistique présentant plusieurs modes. vignette| Histogramme bimodal vignette|Dans ce cas précis, une distribution bimodale un mélange de deux distributions normales avec la même variance mais des moyennes différentes. Si les poids n'étaient pas égaux, la distribution résultante pourrait toujours être bimodale mais avec des pics de hauteurs différentes. Les distributions multimodales sont rencontrées dans divers domaines : les sondages d’opinion, la production industrielle, qui cherche généralement à éviter les phénomènes multimodaux souvent révélateurs d’un facteur d’influence non maîtrisé dans le processus, les phénomènes liés à la climatologie, à l'analyse du débit des rivières, à la géologie... Deux approches peuvent être adoptées suivant le besoin de l’observateur : L’approche « apprentissage et re-prédiction » : L’observateur cherche à établir la loi de probabilité du phénomène étudié sur la base d’observations expérimentales, dans le but de re-prédictions dans un contexte différent de celui de l’apprentissage. Que la distribution soit multimodale ou non ne change pas la façon de l’exploiter, comme n’importe quelle densité de probabilité ou fonction de répartition. L’approche plus « analytique » où l’observateur souhaite comprendre la raison de la multimodalité, en décomposant, par exemple la loi de probabilité observée en la superposition de lois élémentaires unimodales, chacune s’appliquant avec une occurrence qui lui est propre. Ce processus d’identification peut être puissant vis-à-vis du diagnostic, mais également source de pièges. Le second point de vue s'appuie sur les principales propriétés des mélanges de lois. Le cadre étudié est celui des variables aléatoires continues (ou variables aléatoires à densité).

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (8)
DH-406: Machine learning for DH
This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and imple
FIN-417: Quantitative risk management
This course is an introduction to quantitative risk management that covers standard statistical methods, multivariate risk factor models, non-linear dependence structures (copula models), as well as p
MATH-444: Multivariate statistics
Multivariate statistics focusses on inferring the joint distributional properties of several random variables, seen as random vectors, with a main focus on uncovering their underlying dependence struc
Afficher plus
Séances de cours associées (31)
Statistiques: Tests d'hypothèses et intervalles de confiance
Couvre les tests d'hypothèses, les intervalles de confiance, les distributions de données et la signification statistique dans l'analyse des données.
Modèles de mélange gaussien : Classification des données
Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
Complément: Quelques exemples de cdfs
Couvre des exemples de fonctions de distribution cumulatives pour les variables aléatoires continues et les corrélations entre les variables aléatoires.
Afficher plus
Publications associées (124)

Graph Chatbot

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.