Statistiques non paramétriques

Résumé

La statistique non paramétrique est un domaine de la statistique qui ne repose pas sur des familles de loi de probabilité paramétriques. Les méthodes non paramétriques pour la régression comprennent les histogrammes, les méthodes d'estimation par noyau, les splines et les décompositions dans des dictionnaires de filtres (par exemple décomposition en ondelettes). Bien que le nom de non paramétriques soit donné à ces méthodes, elles reposent en vérité sur l'estimation de paramètres. La différence avec les méthodes de statistique classique est qu'il s'agit en général d'un très grand nombre de paramètres et que chacun de ces paramètres ne permet pas de décrire la structure générale des données. Dans les méthodes non paramétriques, le nombre de paramètres estimés croît avec le nombre de données disponibles ; dans les méthodes classiques, ce nombre est décidé à l'avance. Prix et distinctions Depuis 1999, l'American Statistical Association remet le prix Gottfried E. Noether à

Source officielle

https://fr.wikipedia.org/wiki/Statistiques_non_param%C3%A9triques

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 (77)

Publications associées

Chargement

Personnes associées (2)

Personnes associées

Chargement

Unités associées (2)

Unités associées

Chargement

Concepts associés (33)

Concepts associés

Chargement

Cours associés (35)

Cours associés

Chargement

Séances de cours associées (83)

Séances de cours associées

Chargement

Unsupervised Robust Nonparametric Learning Of Hidden Community Properties

Akhilesh Deepak Gotmare, Martin Jaggi, Mikhail Langovoy

We consider learning of fundamental properties of communities in large noisy networks, in the prototypical situation where the nodes or users are split into two classes according to a binary property, e.g., according to their opinions or preferences on a topic. For learning these properties, we propose a nonparametric, unsupervised, and scalable graph scan procedure that is, in addition, robust against a class of powerful adversaries. In our setup, one of the communities can fall under the influence of a knowledgeable adversarial leader, who knows the full network structure, has unlimited computational resources and can completely foresee our planned actions on the network. We prove strong consistency of our results in this setup with minimal assumptions. In particular, the learning procedure estimates the baseline activity of normal users asymptotically correctly with probability 1; the only assumption being the existence of a single implicit community of asymptotically negligible logarithmic size. We provide experiments on real and synthetic data to illustrate the performance of our method, including examples with adversaries.

2019

Chargement

, ,

In this study, we analyze a 3rd type of FBAR's fundamental mode by finite element method. We show the importance of the substrate's wave velocity and conductivity on the electromechanical coupling efficiency. Then we demonstrate that etching traditional SAW sensors in between its electrodes is an effective solution to increase its performances. Finally, the finite device simulations of optimized geometries demonstrate the full potential of AlSc(0.4)N based SAW/BAW hybrid resonators: an impedance response free of spurious modes and large figure of merit (k(t)(FD, 1.35GHz)(2) = 2.48%).

IEEE2021

Chargement

Spline- and Wavelet-based Models of Neural Activity in Response to Natural Visual Stimulation

Joao Emanuel Felipe Gerhard, Luca Szegletes

We present a comparative study of the performance of different basis functions for the nonparametric modeling of neural activity in response to natural stimuli. Based on naturalistic video sequences, a generative model of neural activity was created using a stochastic linear-nonlinear-spiking cascade. The temporal dynamics of the spiking response is well captured with cubic splines with equidistant knot spacings. Whereas a sym4-wavelet decomposition performs competitively or only slightly worse than the spline basis, Haar wavelets (or histogram-based models) seem unsuitable for faithfully describing the temporal dynamics of the sensory neurons. This tendency was confirmed with an application to a real data set of spike trains recorded from visual cortex of the awake monkey.

Ieee2012

Chargement