Séance de cours
Régression multilinéaire: ajustement le moins carré
Séances de cours associées (34)
Plackett-Burman Design : Matrice Hadamard
Explore la construction et l'application des matrices de Hadamard pour une estimation efficace des principaux effets sans interactions dans la conception de Plackett-Burman.
Régression linéaire : Les moindres carrés
Déplacez-vous dans la régression linéaire, en mettant l'accent sur l'estimation des moindres carrés, les résidus et la variance.
Modèles de signaux paramétriques : Matlab Practice
Couvre les modèles de signaux paramétriques et les applications Matlab pratiques pour les chaînes de Markov et les processus AutoRegressive.
Moins-quares récursifs : Formulation pondérée
Couvre l'algorithme Recursive des moins-quaires avec une formulation pondérée pour la mise à jour des données en temps réel.
Statistiques non paramétriques: approche bayésienne
Explore les statistiques non paramétriques, les méthodes bayésiennes et la régression linéaire en mettant l'accent sur l'estimation de la densité du noyau et la distribution postérieure.
Théorie de la distribution des moindres carrés
Explore la théorie de la distribution des estimateurs des moindres carrés dans un modèle linéaire gaussien.
Régression linéaire : au-delà des bases
Explore les concepts avancés dans les modèles de régression linéaire, y compris la multicolinéarité, les tests d'hypothèses et les valeurs aberrantes de manipulation.
Biostatistique appliquée: analyse des données bivariées
Explore l'analyse des données bivariées dans les biostatistiques appliquées, couvrant la corrélation, la régression, la sélection des modèles et le diagnostic.
Modélisation des surfaces de réponse dans Matlab
Couvre la modélisation des surfaces de réponse dans Matlab, y compris la construction du modèle, la définition du domaine, le calcul des valeurs et l'analyse des résidus.
Analyse de corrélation canonique: Vue d'ensemble
Couvre l'analyse canonique de corrélation, une méthode pour trouver des relations entre deux ensembles de variables.