Efficacité (statistiques)

Résumé

En statistique, lefficacité est une mesure de la qualité d'un estimateur, d'une expérimentation ou d'un test statistique. Elle permet d'évaluer le nombre d'observations nécessaires pour atteindre un seuil : plus un estimateur est efficace, plus l'échantillon d'observations nécessaire pour atteindre un objectif de précision sera petit. Lefficacité relative de deux procédures est le rapport de leurs efficacités, bien que le concept soit plus utilisé pour le rapport de l'efficacité d'une procédure donnée et d'une procédure théorique optimale. Leurs efficacités et l'efficacité relative dépendent de la taille de l'échantillon, mais on peut en tirer lefficacité relative asymptotique (comme la limite de l'efficacité relative quand la taille de l'échantillon grandit) comme principale mesure de comparaison. Un estimateur efficace est caractérisé par une variance ou une erreur quadratique moyenne petite, indiquant une faible déviance entre la valeur estimée et la valeur "réelle". Estimat

Source officielle

https://fr.wikipedia.org/wiki/Efficacit%C3%A9_(statistiques)

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 (11)

Publications associées

Chargement

Personnes associées

Chargement

Unités associées

Chargement

Concepts associés (34)

Concepts associés

Chargement

Cours associés (7)

Cours associés

Chargement

Séances de cours associées (13)

Séances de cours associées

Chargement

A tool for an efficient comparison of scheduling methods

EPFL1997

Chargement

A new robust and efficient estimator for ill-conditioned linear inverse problems with outliers

Marta Martinez-Camara, Martin Vetterli

Solving a linear inverse problem may include difficulties such as the presence of outliers and a mixing matrix with a large condition number. In such cases a regularized robust estimator is needed. We propose a new tau-type regularized robust estimator that is simultaneously highly robust against outliers, highly efficient in the presence of purely Gaussian noise, and also stable when the mixing matrix has a large condition number. We also propose an algorithm to compute the estimates, based on a regularized iterative reweighted least squares algorithm. A basic and a fast version of the algorithm are given. Finally, we test the performance of the proposed approach using numerical experiments and compare it with other estimators. Our estimator provides superior robustness, even up to 40% of outliers, while at the same time performing quite close to the optimal maximum likelihood estimator in the outlier-free case.

2015

Chargement

Olfactometer experiments are used to determine the effect of odours on the behaviour of organisms such as insects or nematodes, and typically result in data comprising many groups of small counts, overdispersed relative to the multinomial distribution. Overdispersion reflects a lack of independence or heterogeneity among individuals and can lead to statistics having larger variances than expected and possible losses of efficiency. In this thesis, some distributions which consist of generalisations of the multinomial distribution have been developed. These models are based on non-homogeneous Markov chain theory, take the overdispersion into account, and potentially provide a physical interpretation of the overdispersion seen in olfactometer data. Some inference aspects are considered, including comparison of the asymptotic relative efficiencies of three different sampling schemes. The fact that the empirical distributions well approximate the corresponding asymptotic distributions is checked. Observable differences in parameter estimates between data generated under different hypotheses are also studied. Finally, different models intended to shed light on various aspects of the data and/or the experiment procedure, are applied to three real olfactometer datasets.

EPFL2008

Chargement