Séries chronologiques: Estimations multi-tapis et paramétriques

Cette séance de cours porte sur les concepts de l'estimation multitâche et paramétrique dans l'analyse des séries temporelles. Multi-Tapering implique l'utilisation d'un ensemble de tapers pour estimer la densité spectrale, tandis que l'estimation paramétrique se concentre sur l'adaptation des modèles AR aux données des séries chronologiques. L'instructeur explique le processus d'estimation spectrale, la méthode Yule-Walker et l'importance des modèles AR dans le rapprochement des spectres continus. La séance de cours s'inscrit également dans la méthode de probabilité de Whittle pour estimer la variance du bruit et l'utilisation de Discret Fourier Transform dans l'analyse des données des séries chronologiques.

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.

Séances de cours associées (149)

Concepts associés (95)

MATH-342: Time series

A first course in statistical time series analysis and applications.

thumb|Exemple de visualisation de données montrant une tendances à moyen et long terme au réchauffement, à partir des séries temporelles de températures par pays (ici regroupés par continents, du nord au sud) pour les années 1901 à 2018. Une série temporelle, ou série chronologique, est une suite de valeurs numériques représentant l'évolution d'une quantité spécifique au cours du temps. De telles suites de variables aléatoires peuvent être exprimées mathématiquement afin d'en analyser le comportement, généralement pour comprendre son évolution passée et pour en prévoir le comportement futur.

In estimation theory and decision theory, a Bayes estimator or a Bayes action is an estimator or decision rule that minimizes the posterior expected value of a loss function (i.e., the posterior expected loss). Equivalently, it maximizes the posterior expectation of a utility function. An alternative way of formulating an estimator within Bayesian statistics is maximum a posteriori estimation. Suppose an unknown parameter is known to have a prior distribution .

L'estimation spectrale regroupe toutes les techniques d'estimation de la densité spectrale de puissance (DSP). Les méthodes d'estimation spectrale paramétriques utilisent un modèle pour obtenir une estimation du spectre. Ces modèles reposent sur une connaissance a priori du processus et peuvent être classées en trois grandes catégories : Modèles autorégressif (AR) Modèles à moyenne ajustée (MA) Modèles autorégressif à moyenne ajustée (ARMA). L'approche paramétrique se décompose en trois étapes : Choisir un modèle décrivant le processus de manière appropriée.

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.

En mathématiques, la transformation de Fourier discrète (TFD) sert à traiter un signal numérique. Elle constitue un équivalent discret (c'est-à-dire pour un signal défini à partir d'un nombre fini d'échantillons) de la transformation de Fourier (continue) utilisée pour traiter un signal analogique. Plus précisément, la TFD est la représentation spectrale discrète dans le domaine des fréquences d'un signal échantillonné. La transformation de Fourier rapide est un algorithme particulier de calcul de la transformation de Fourier discrète.

Estimation spectrale et paramétrique: Séries chronologiques MATH-342: Time series

Couvre les techniques d'estimation spectrale comme la réduction et l'estimation paramétrique, en soulignant l'importance des modèles AR et la probabilité de Whittle dans l'analyse des séries chronologiques.

Outils de traitement des signaux statistiques COM-500: Statistical signal and data processing through applications

Explore les outils de traitement statistique des signaux pour les communications sans fil, y compris l'estimation spectrale et la détection, la classification et le filtrage adaptatif des signaux.

Estimation spectrale dans les séries chronologiques MATH-342: Time series

Couvre l'estimation spectrale dans l'analyse des séries chronologiques, y compris les noyaux d'imagerie, les méthodes de compression et les modèles AR.

Signaux harmoniques et estimation du spectre COM-500: Statistical signal and data processing through applications

Explore les signaux harmoniques, l'estimation du spectre et les méthodes d'analyse des signaux à l'aide des outils MATLAB.

Modèles de signaux paramétriques : Matlab Practice COM-500: Statistical signal and data processing through applications

Couvre les modèles de signaux paramétriques et les applications Matlab pratiques pour les chaînes de Markov et les processus AutoRegressive.