Loi normale généralisée

En théorie des probabilités et en statistique, la loi normale généralisée ou loi gaussienne généralisée désigne deux familles de lois de probabilité à densité dont les supports sont l'ensemble des réels. Cette loi rajoute un paramètre de forme à la loi normale. Pour les différencier, les deux familles seront appelées « version 1 » et « version 2 », ce ne sont cependant pas des appellations standards. La densité de probabilité des lois de cette famille est donnée par la formule : où est la fonction gamma, est un paramètre de position, est un paramètre d'échelle et est un paramètre de forme. Les lois de probabilité de cette famille sont également connues sous les termes loi de puissance exponentielle ou loi d'erreur généralisée. Ce sont des lois symétriques. La famille inclut les lois normale et de Laplace, et comme cas limites, elle contient la loi uniforme continue sur les intervalles. Lorsque , la loi normale généralisée est la loi normale de moyenne et de variance . Lorsque , la loi normale généralisée est la Loi de Laplace. Lorsque tend vers l'infini, la densité converge (simplement) vers la densité de la loi uniforme continue sur . Cette famille possède des lois dont la traîne (ou queue) est plus longue que celle de la loi normale, lorsque . Elle possède également des lois dont la traîne est moins longue que celle de la loi normale, . L'estimation des paramètres est étudiée via le maximum de vraisemblance et la méthode des moments. Les estimées n'ont généralement pas de forme explicite et sont obtenues numériquement. Mais certaines ne nécessitent pas de simulation numérique La fonction logarithme du maximum de vraisemblance de la loi normale généralisée est de classe , c'est-à-dire indéfiniment dérivable, seulement si . Dans le cas contraire, la fonction possède dérivées continues. Cette version 1 de loi normale généralisée a été utilisée en modélisation lorsque l'intérêt de l'étude porte sur la concentration des valeurs autour de la moyenne et sur le comportement de la traîne.

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 (136)

Personnes associées (28)

Unités associées (10)

Concepts associés (13)

Cours associés (20)

Séances de cours associées (36)

EE-559: Deep learning

This course explores how to design reliable discriminative and generative neural networks, the ethics of data acquisition and model deployment, as well as modern multi-modal models.

EE-726: Sparse stochastic processes

We cover the theory and applications of sparse stochastic processes (SSP). SSP are solutions of differential equations driven by non-Gaussian innovations. They admit a parsimonious representation in a

FIN-616: Financial Econometrics II (2020 -2024)

This course has 3 parts

We understand how to use moment based estimations to obtain the parameters for explicit or implicit models.
We learn how to estimate latent parameters in a time series cont

Assistant physique: Coordination de l'électromagnétisme

Couvre la coordination de l'assistant de physique pour le cours d'électromagnétisme.

Techniques de réduction de la variance: variables antithétiques et échantillonnage d'importance MATH-414: Stochastic simulation

Explore les techniques de réduction de la variance telles que les variables antithétiques et l'échantillonnage d'importance dans l'estimation de Monte Carlo.

Distribution Gaussienne multivariée MATH-233: Probability and statistics

Couvre la définition de la distribution gaussienne multivariée et de ses propriétés, y compris la fonction génératrice de moment et les combinaisons linéaires de variables.

Valence can control the nonexponential viscoelastic relaxation of multivalent reversible gels

Hugo Camille Valentin Le Roy

Gels made of telechelic polymers connected by reversible cross-linkers are a versatile design platform for biocompatible viscoelastic materials. Their linear response to a step strain displays a fast, near-exponential relaxation when using low-valence cros ...

Amer Assoc Advancement Science2024

Generalization of Scaled Deep ResNets in the Mean-Field Regime

Volkan Cevher, Grigorios Chrysos, Fanghui Liu

Despite the widespread empirical success of ResNet, the generalization properties of deep ResNet are rarely explored beyond the lazy training regime. In this work, we investigate scaled ResNet in the limit of infinitely deep and wide neural networks, of wh ...

2024

Robust discrete choice models with t-distributed kernel errors

Michel Bierlaire, Thomas Gasos, Prateek Bansal

Outliers in discrete choice response data may result from misclassification and misreporting of the response variable and from choice behaviour that is inconsistent with modelling assumptions (e.g. random utility maximisation). In the presence of outliers, ...

2023

En théorie des probabilités et en statistique, la loi de Bates, dénommée suivant la probabiliste Grace E. Bates, est la loi de probabilité de la moyenne de variables aléatoires indépendantes et de loi uniforme continue sur [0 ; 1]. Il ne faut pas confondre cette loi avec la loi d'Irwin-Hall qui est la somme de telles variables aléatoires. La loi de Bates est la loi de probabilité de la moyenne arithmétique de n variables aléatoires U, U, ... , U iid de loi uniforme continue sur l'intervalle [0 ; 1] : La de

In probability theory, the stable count distribution is the conjugate prior of a one-sided stable distribution. This distribution was discovered by Stephen Lihn (Chinese: 藺鴻圖) in his 2017 study of daily distributions of the S&P 500 and the VIX. The stable distribution family is also sometimes referred to as the Lévy alpha-stable distribution, after Paul Lévy, the first mathematician to have studied it. Of the three parameters defining the distribution, the stability parameter is most important.

En analyse mathématique, il existe plusieurs définitions de fonctions gamma incomplètes : pour un paramètre complexe a de partie réelle strictement positive, La dérivée de la fonction gamma incomplète Γ(a, x) par rapport à x est l'opposée de l'intégrande de sa définition intégrale : La dérivée par rapport au paramètre a est donnée par et la dérivée seconde par où la fonction T(m, a, x) est un cas particulier de la Ce cas particulier possède des propriétés internes de fermeture qui lui sont propres parce qu'