Loi de Rice | EPFL Graph Search

Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?

Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur GraphSearch.

Découvrez-en plus sur les applications Graph.

En statistiques et théorie des probabilités, la loi de Rice, nommée d'après (1907–1986), est une loi de probabilité à densité (c'est-à-dire continue). C'est une généralisation de la loi de Rayleigh utilisée pour décrire le comportement d'un signal radio qui se propage selon plusieurs chemins (multipath) avant d'être reçu par une antenne. Soient deux variables de Gauss centrées, indépendantes, de même variance σ. Si on considère qu'elles représentent les deux coordonnées d'un point d'un plan, la distance de ce point à l'origine suit une loi de Rayleigh : En supposant que la distribution est centrée sur un point de coordonnées (ν cos θ, ν sin θ) (coordonnées polaires (ν , θ)), la densité de probabilité devient : où I(z) est la fonction de Bessel modifiée de première espèce et d'ordre 0. Les premiers moments (non centrés) sont : où, L(x) représente un polynôme de Laguerre et M désigne la fonction hypergéométrique confluente. Pour le cas ν = 1/2 : Généralement les moments sont donnés par où s = σ. Lorsque k est pair, les moments deviennent des polynômes en σ et ν. La variable suit une loi de Rice à condition que et soient deux variables gaussiennes indépendantes. Pour obtenir une variable , on peut considérer une autre procédure : Tirer P selon une loi de Poisson, de paramètre Tirer X selon une loi du χ avec 2P + 2 degrés de liberté. Poser R = σ . Si alors R suit une loi du χ non centrée, à 2 degrés de liberté et un paramètre de non-centralité ν. Pour de grandes valeurs de l'argument, le polynôme de Laguerre devient : On peut constater que lorsque ν devient grand ou que σ devient petit, alors la moyenne devient ν et la variance σ. Stephen O. Rice, « Mathematical Analysis of Random Noise », dans Bell System Technical Journal, vol. 24, 1945, I. Soltani Bozchalooi et Ming Liang, « A smoothness index-guided approach to wavelet parameter selection in signal de-noising and fault detection », dans Journal of Sound and Vibration, vol. 308, -2, 2007, John G.

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.

Publications associées (32)

Personnes associées (1)

Unités associées (6)

Concepts associés (5)

Cours associés (1)

Séances de cours associées (18)

, ,

The ability to predict the spatial distribution of tree root system variables (e.g., the Root system Area (RA), the maximum root diameter, the number of roots in diameter classes, the density of fine roots, etc.) under different environmental conditions is ...

2022

, ,

Byzantine-resilient Stochastic Gradient Descent (SGD) aims at shielding model training from Byzantine faults, be they ill-labeled training datapoints, exploited software/hardware vulnerabilities, or malicious worker nodes in a distributed setting. Two rece ...

2021

Low Noise Clock Generation: Modeling, Analysis and Implementation

Duygu Kostak

The aim of this thesis is to implement, analyze and improve the selected low noise clock generation and distribution techniques for ADC implementations. The thesis is divided into two parts. The first part focuses on the sampling phase generation and distr ...

EPFL2021

Loi de Nakagami

En théorie des probabilités et en statistique, la loi de Nakagami ou loi de m-Nakagami est une loi de probabilité continue à deux paramètres et de support . Le paramètre est un paramètre de forme, le second paramètre permet de contrôler la propagation. Cette loi est liée à la loi gamma, son nom est issu du statisticien Minoru Nakagami. La densité de probabilité de la loi de Nakagami est donnée par : où est la fonction Gamma. Sa fonction de répartition est : où P est la fonction gamma incomplète (régularisée).

Fonction caractéristique (probabilités)

En mathématiques et plus particulièrement en théorie des probabilités et en statistique, la fonction caractéristique d'une variable aléatoire réelle est une quantité qui détermine de façon unique sa loi de probabilité. Si cette variable aléatoire a une densité, alors la fonction caractéristique est la transformée de Fourier inverse de la densité. Les valeurs en zéro des dérivées successives de la fonction caractéristique permettent de calculer les moments de la variable aléatoire.

Loi de Rayleigh

En probabilités et en statistiques, la loi de Rayleigh, est une loi de probabilité à densité. Elle apparaît comme la norme d'un vecteur gaussien bi-dimensionnel dont les coordonnées sont indépendantes, centrées et de même variance. Cette loi de probabilité est baptisée d'après Lord Rayleigh. Typiquement, la distance D à laquelle une particule se trouve de son point de départ, après avoir effectué n pas d'une marche aléatoire symétrique dans le plan, suit approximativement une loi de Rayleigh de paramètre .

FIN-403: Econometrics

The course covers basic econometric models and methods that are routinely applied to obtain inference results in economic and financial applications.

Qu'est-ce qu'un système énergétique - Introduction ME-409: Energy conversion and renewable energy

Couvre les systèmes énergétiques, les demandes, les technologies de conversion, l'efficacité et les méthodes de distribution, en soulignant l'importance des diagrammes de flux d'énergie.

Installations électriques : principes et méthodes de distribution

Couvre les principes et les méthodes de distribution électrique dans divers contextes.

Confidentialité des données dans la recherche en cybersanté HUM-485: Data in context: Critical Data Studies I

Explore les défis et les perspectives en matière de protection des données dans la recherche sur la cybersanté, en mettant l'accent sur la conformité au RGPD, la gestion sensible des données de santé et les agents décentralisés.