En théorie des probabilités et en statistique, la loi du χ non centrée est une loi de probabilité qui généralise la loi du χ2. Cette loi apparait lors de tests statistiques, par exemple pour le maximum de vraisemblance.
Soit X, k variables aléatoires indépendantes de loi normale de moyennes et variances . Alors la variable aléatoire
suit une loi du χ non centrée. Elle dépend de deux paramètres : k qui spécifie le nombre de degrés de liberté (c'est-à-dire le nombre de X), et λ qui est en lien avec la moyenne des variables X par la formule :
est parfois appelé le paramètre de décentralisation. Certaines références définissent λ différemment, comme la moyenne de la somme ci-dessus ou comme sa racine carrée.
Cette loi apparait en statistique multivariée, elle est issue de la loi normale multidimensionnelle. Comme la loi du χ2 est le carré de la norme du vecteur aléatoire défini à partir des variables de loi (c'est-à-dire le carré de la distance entre l'origine et un point donné par cette loi), la loi du χ non centrée est le carré de la norme d'un vecteur aléatoire de loi . Ici 0 est le vecteur nul de longueur k, et I est la matrice unité de taille k.
La densité de probabilité est donnée par :
où Y est de loi du χ2 à q degrés de liberté.
De cette représentation, la loi du χ non centrée est vue comme une loi mélange de loi du . Supposons que la variable J suit une loi de Poisson avec moyenne λ/2, et que la loi conditionnelle de Z sachant J = i est la loi du χ à k+2i degrés de liberté. Alors la loi (non conditionnelle) de Z est la loi du χ non centrée à k degrés de liberté, et avec paramètre de décentralisation .
D'une autre part, la densité peut être écrite sous la forme
où I(z) est la fonction de Bessel modifiée du premier type donnée par
En utilisant la relation entre les fonctions de Bessel et hypergéométrique, la densité peut également être écrite sous la forme :
Siegel (1979) considère plus particulièrement le cas k=0 (0 degré de liberté), dans ce cas la loi est atomique en 0.
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.
En théorie des probabilités et en statistique, la loi du (prononcer « khi ») est une loi de probabilité continue. C'est la loi de la moyenne quadratique de k variables aléatoires indépendantes de loi normale centrée réduite, le paramètre k est le nombre de degrés de liberté. L'exemple le plus courant est la loi de Maxwell, pour k=3 degrés de liberté d'une loi du ; elle modélise la vitesse moléculaire (normalisée). Si sont k variables aléatoires indépendantes de loi normale avec pour moyenne et écart-type , alors la variable est de loi du .
En théorie des probabilités et en statistique, la loi du non centrée est une généralisation la loi du χ. Si , sont k variables aléatoires indépendantes de loi normale de moyennes et écart-type respectifs et , alors est une variable aléatoire de loi du non centrée. Cette loi a deux parametres : un entier qui spécifie le nombre de degrés de liberté (c'est-à-dire le nombre de variables ), et un réel relatif à la moyenne des variables par la formule : On dira que X suit une loi du χ non centrée avec k degrés de liberté et de paramètre λ, on notera La densité de probabilité est donnée par : où est la fonction de Bessel modifiée de première espèce.
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.
Explore des modèles stochastiques pour les communications, couvrant la moyenne, la variance, les fonctions caractéristiques, les inégalités, diverses variables aléatoires discrètes et continues, et les propriétés de différentes distributions.
This work extends the range of pathways for the production of metallic microcomponents by downscaling metal casting. This is accomplished by using either of two different molding techniques, namely femtosecond laser micromachining or lithographic silicon m ...
EPFL2023
, ,
Image noise can often be accurately fitted to a Poisson-Gaussian distribution. However, estimating the distribution parameters from a noisy image only is a challenging task. Here, we study the case when paired noisy and noise-free samples are accessible. N ...
2022
Visual perception is indispensable for many real-world applications. However, perception models deployed in the real world will encounter numerous and unpredictable distribution shifts, for example, changes in geographic locations, motion blur, and adverse ...