Descripteur
Termes IGN > mathématiques > statistique mathématique > probabilités > stochastique > variable aléatoire
variable aléatoireSynonyme(s)variable stochastique |
Documents disponibles dans cette catégorie (56)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
A framework to manage uncertainty in the computation of waste collection routes after a flood / Arnaud Le Guilcher in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol V-4-2021 (July 2021)
[article]
Titre : A framework to manage uncertainty in the computation of waste collection routes after a flood Type de document : Article/Communication Auteurs : Arnaud Le Guilcher , Auteur ; Sofiane Martel, Auteur ; Mickaël Brasebin , Auteur ; Yann Méneroux , Auteur Année de publication : 2021 Projets : 1-Pas de projet / Conférence : ISPRS 2021, Commission 4, 24th ISPRS Congress, Imaging today foreseeing tomorrow 05/07/2021 09/07/2021 Nice on-line France OA Annals Commission 4 Article en page(s) : pp 61 - 68 Note générale : biblographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] cadre conceptuel
[Termes IGN] calcul d'itinéraire
[Termes IGN] catastrophe naturelle
[Termes IGN] collecte des déchets
[Termes IGN] discrétisation spatiale
[Termes IGN] incertitude géométrique
[Termes IGN] inondation
[Termes IGN] programmation stochastique
[Termes IGN] variable aléatoireRésumé : (auteur) In this paper, we describe a framework to find a good quality waste collection tour after a flood, without having to solve a complicated optimization problem from scratch in limited time. We model the computation of a waste collection tour as a capacitated routing problem, on the vertices or on the edges of a graph, with uncertain waste quantities and uncertain road availability. Multiple models have been conceived to manage uncertainty in routing problems, and we build on the ideas of discretizing the uncertain parameters and computing master solutions that can be adapted to propose an original method to compute efficient solutions. We first introduce our model for the progressive removal of the uncertainty, then outline our method to compute solutions: our method first considers a low-dimensional set of random variables that govern the behaviour of the problem parameters, discretizes these variables and computes a solution for each discrete point before the flood, and then uses these solutions as a basis to build operational solutions when there are enough information about the parameters of the routing problem. We then give computational tools to implement this method. We give a framework to compute the basis of solutions in an efficient way, by computing all the solutions simultaneously and sharing information (that can lead to good quality solutions) between the different problems based on how close their parameters are, and we also describe how real solutions can be derived from this basis. Our main contributions are our model for the progressive removal of uncertainty, our multi-step method to compute efficient solutions, and our intrusive framework to compute solutions on the discrete grid of parameters. Numéro de notice : A2021-316 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-4-2021-61-2021 En ligne : https://doi.org/10.5194/isprs-annals-V-4-2021-61-2021 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97946
in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > vol V-4-2021 (July 2021) . - pp 61 - 68[article]
Titre : Stability problems for stochastic models: Theory and applications Type de document : Monographie Auteurs : Alexander Zeifman, Éditeur scientifique ; Victor Korolev, Éditeur scientifique ; Alexander Sipin, Auteur Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2021 Importance : 370 p. Format : 17 x 25 cm ISBN/ISSN/EAN : 978-3-0365-0453-7 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques
[Termes IGN] chaîne de Markov
[Termes IGN] intégrale de Laplace
[Termes IGN] modèle stochastique
[Termes IGN] probabilités
[Termes IGN] programmation stochastique
[Termes IGN] variable aléatoireRésumé : (éditeur) The aim of this Special Issue of Mathematics is to commemorate the outstanding Russian mathematician Vladimir Zolotarev, whose 90th birthday will be celebrated on February 27th, 2021. The present Special Issue contains a collection of new papers by participants in sessions of the International Seminar on Stability Problems for Stochastic Models founded by Zolotarev. Along with research in probability distributions theory, limit theorems of probability theory, stochastic processes, mathematical statistics, and queuing theory, this collection contains papers dealing with applications of stochastic models in modeling of pension schemes, modeling of extreme precipitation, construction of statistical indicators of scientific publication importance, and other fields. Note de contenu : 1- A Generalized equilibrium transform with application to error boundsin the Renyi theorem with so support constraints
2- Approximations in performance analysis of a controllable queueing system with heterogeneous server
3- Accumulative pension schemes with various decrement factors
4- A priority queue with many customer types, correlated arrivals and changing priorities
5- Highly efficient robust and stable M-estimates of location
6- Local limit theorem for the multiple power series distributions
7- Multivariate scale-mixed stable distributions and related limit theorems
8- On convergence rates of some limits
9- Optimal filtering of Markov jump processes given observations with state-dependent noises: Exact solution and stable numerical schemes
10- On the fractional wave equation
11- Probability models and statistical tests for extreme precipitation based on generalized negative binomial distributions
12- Rates of convergence in Laplace’s integrals and sums and conditional central limit theorems
13- Sensitivity analysis and simulation of a multiserver queueing system with mixed tervice
time distribution
14- Statistical indicators of the scientific publications importance: A stochastic model and
critical look
15- Second order expansions for high-dimension low-sample-size data statistics in random setting
16- Two approaches to the construction of perturbation bounds for Ccontinuous-time Markov chains
17- The calculation of the density and distribution functions of strictly stable laws
18- Wavelet thresholding risk estimate for the model with random samples and correlated noiseNuméro de notice : 28620 Affiliation des auteurs : non IGN Thématique : MATHEMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.3390/books978-3-0365-0453-7 En ligne : https://doi.org/10.3390/books978-3-0365-0453-7 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99519 Signaux et systèmes / André Quinquis (2019)
Titre : Signaux et systèmes : signaux, filtrage et décision Type de document : Guide/Manuel Auteurs : André Quinquis, Auteur ; Ali Mansour, Auteur ; Emanuel Radoi, Auteur Editeur : Paris : Lavoisier Année de publication : 2019 Collection : Information numérique - Traitement, interprétation, communication Importance : 361 p. Format : 16 x 24 cm ISBN/ISSN/EAN : 978-2-7462-4859-5 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement du signal
[Termes IGN] autocorrélation
[Termes IGN] bruit thermique
[Termes IGN] distribution de Gauss
[Termes IGN] filtrage du signal
[Termes IGN] fonction aléatoire
[Termes IGN] phénomène de Gibbs
[Termes IGN] signal analogique
[Termes IGN] signal analytique
[Termes IGN] transformation de Fourier
[Termes IGN] variable aléatoireIndex. décimale : 24.20 Traitement du signal Résumé : (Editeur) Dans notre société moderne, où la technologie a envahi la vie de tous les jours, l'information devient essentielle. Le traitement du signal joue un rôle crucial pour mieux interpréter les observations reçues et extraire l'information pertinente et utile pour une décision quelle qu'en soit la finalité. De nos jours, le traitement des signaux et des systèmes trouve ses applications dans des domaines variés comme la surveillance, le numérique, l'automatisme, la santé, les télécommunications, la cyberdéfense, les capteurs intelligents, l'internet des objets, l'astronomie, la guerre électronique, la robotique, etc. Cet ouvrage présente d'une manière originale et didactique les concepts fondamentaux du traitement de signal en abordant plus d'une centaine de questions que les étudiants ou les personnes non-spécialistes de la discipline se posent. Armés d'une longue expérience dans l'enseignement supérieur et dans la recherche en France et à l'étranger, les auteurs apportent des éléments de réponse dans un langage clair, concis et mathématiquement accessible au public. Les concepts fondamentaux sont traités via des questions illustrées d'exemples, renforçant le bon sens physique et facilitant l'appréhension de notions trop souvent réputées ardues. L'ouvrage est ainsi rendu accessible au public le plus large : ingénieurs généralistes, étudiants préparant des DUT, BTS, diplômes d'ingénieurs, licences et masters scientifiques. Si l'exercice de dialectique qui consiste, pour convaincre, à proposer simultanément questions et réponses afférentes s'avère parfois réducteur, force est de constater que les auteurs ont su maintenir une très grande ouverture dans leur exposition qui devrait inciter beaucoup de dubitatifs du traitement du signal, de tous bords, à consulter leur ouvrage. Note de contenu : 1. Quelle est la définition physique d’un signal ?
2. Comment distingue-t-on le signal d’un bruit ?
3. Comment définir les observations, les données et les informations ?
4. Qu’est-ce que la théorie du signal et quelles sont ses applications ?
5. Comment peut-on classifier les signaux ?
6. Comment décrit-on un signal temporel en fonction de la nature, discrète ou continue, de ses axes ?
7. Qu’est-ce qu’un signal à bande étroite ?
8. Qu’est ce que l’impulsion de Dirac ?
9. Qu’est ce que la fonction d’Heaviside ?
10. Que représente la composante continue d’un signal ?
11. Quelle est l’effet de la modulation d’amplitude sur le spectre d’un signal ?
12. Quelles sont les principales différences entre les types de modulations analogiques ?
13. Quelles sont les avantages des modulations numériques sur les analogiques ?
14. A quoi sert la transformée de Fourier ?
15. Pourquoi change-t-on d’espace de représentation de signaux ?
16. Quelles sont les propriétés de la transformée de Fourier ?
17. A quoi sert la décomposition en série de Fourier ?
18. Quelles sont les conditions de Dirichlet ? Quelles sont les définitions de la série de Fourier ?
19. Quelle est la définition de la série de Fourier Complexe ? Quelles sont ses propriétés ?
20. Comment peut-on simplifier la décomposition en série de Fourier d’un signal périodique pair ?
21. Que décrit la dualité temps-fréquence ?
22. Si x(t) est un signal réel et impair alors quelles sont les propriétés de sa TF ?
23. Quelle est la transformée de Fourier de la fonction porte ? Quelle est la transformée de Fourier d’un échelon ?
24. Quelle est l’allure de la TF d’un signal gaussien ?
25. Comment peut-on énoncer le principe d’incertitude en théorie du signal ?
26. Quel est le sens physique de la fonction d’autocorrélation ?
27. Quelles sont les propriétés de l’autocorrélation des signaux déterministes ?
28. Quelle est la particularité de l’autocorrélation d’un signal périodique ?
29. Quelle est la différence entre la corrélation de deux fonctions de L2(R) et leur convolution ?
30. Quelles sont les définitions de la puissance et de l’énergie moyennes d’un signal complexe ou réel ?
31. Quelle est la différence entre la DSP et la DSE ?
32. Que traduit physiquement l’identité de Parseval pour des signaux à énergie finie ?
33. Comment s’énonce l’identité de Parseval pour des signaux périodiques ?
34. Si un signal est à énergie finie, que peut-on dire de sa puissance moyenne ? Comment calculer son énergie ?
35. En utilisant Parseval, calculer de deux façons différentes l’énergie de x(t) = te−tu(t) ?
36. Quelle est la principale propriété de la DSP d’un signal périodique ?
37. Comment calcule-t-on la DSP d’un signal continu s’il est périodique ? S’il n’est pas périodique ?
38. Comment fait-on pour passer d’un signal analogique à un signal numérique ?
39. A quoi servent les CNA et CAN ?
40. Qu’appelle-t-on bruit de quantification ?
41. Quel est le domaine d’application du théorème d’échantillonnage ?
42. Qu’appelle-t-on « effet de repliement de spectre » ?
43. Pourquoi appliquer un filtre passe-bas avant l’échantillonnage d’un signal ? . 1
44. Qu’est-ce qu’un échantillonneur bloqueur ?
45. Est-on obligé de respecter la fréquence de Shannon pour échantillonner un signal passe-bande ?
46. Que devient la restitution d’un signal sinusoïdal si on ne respecte pas la fréquence limite de Shannon ?
47. Quelles sont les applications du théorème de Plancherel ?
48. Quel est l’effet d’un échantillonnage temporel dans le domaine spectral ?
49. Pourquoi doit-on introduire la transformée de Fourier discrète TFD?
50. Quelle est la relation entre la TFD et la TZ ?
51. Quelles sont les particularités de la TFD ?
52. Quelles sont les erreurs liées au calcul de la TFD ?
53. Que traduit le phénomène de Gibbs ?
54. Qu’est ce qu’un signal causal ?
55. Qu’est-ce qu’un signal analytique ?
56. Quel est l’effet de la transformée de Hilbert ?
57. Quelle est la définition d’une fonction aléatoire ?
58. Qu’est ce qu’un signal aléatoire ?
59. Quelles sont les grandeurs les plus intéressantes pour caractériser une variable aléatoire ?
60. Quelles sont les propriétés importantes d’une densité de probabilité ?
61. Quel est le lien entre une densité de probabilité et une fonction de répartition ?
62. Quelles sont les propriétés les plus intéressantes des fonctions caractéristiques d’une variable aléatoire ?
63. Comment calcule-t-on la densité de probabilité d’une fonction d’une variable aléatoire : changement des variables ?
64. Comment estime-t-on une densité de probabilité ?
65. Comment définit-on les moments d’une variable aléatoire ?
66. Comment estime-t-on les moments d’une variable aléatoire ?
67. Comment définit-on la stationnarité au sens strict et au sens large d’un signal aléatoire ?
68. Quelle est l’interprétation de la stationnarité au sens large ?
69. Pourquoi l’ergodisme d’un processus aléatoire induit-il des simplifications dans un problème ?
70. Si un processus est stationnaire, est-il toujours ergodique ?
71. Comment définit-on la densité de probabilité conditionnelle ?
72. Comment peut-on caractériser deux variables aléatoires décorrélées ?
73. Comment peut-on caractériser deux variables aléatoires indépendantes
74. Quelle est la densité de probabilité de la somme de deux variables aléatoires indépendantes ?
75. Quelle est la définition d’une variable aléatoire uniforme ?
76. Quelle est l’interprétation du théorème de la limite centrale ?
77. Quelle est la définition d’une densité de probabilité gaussienne ?
78. Que peut-on dire de la loi de la quadration d’une variable gaussienne ?
79. Quelle est la définition de la densité de probabilité de Rayleigh ?
80. Si X, Y,Z et T sont les composantes d’un vecteur gaussien centré alors que valent E{XY ZT } et E{XY Z} ?
81. Qu’est-ce qu’un processus stochastique gaussien ?
82. Qu’est ce qu’un processus aléatoire Markovien ?
83. Comment définit-on un bruit blanc et quelles sont ses propriétés ?
84. Comment définit-on un bruit pseudo-blanc et quelles sont ses propriétés ?
85. Comment est défini le bruit thermique ?
86. Un bruit pseudo-blanc peut-il être à densité de probabilité gaussienne ?
87. Comment définit-on la bande spectrale équivalente du bruit ?
88. Comment choisit-on le nombre de niveaux de quantification pour numériser les réalisations d’une variable aléatoire ?
89. Quelles sont les différences entre les moments et les cumulants d’une variable aléatoire ?
90. Quelles sont les propriétés des cumulants ?
91. Quelle est la « valeur la plus probable » d’une variable aléatoire continue ? Quelle est la différence entre « valeur plus probable », « moyenne » et « médiane » ?
92. Comment calcule-t-on la valeur moyenne d’une variable aléatoire continue ?
93. Comment interprète-t-on l’écart type ?
94. Comment définit-on le coefficient de corrélation ?
95. A quoi servent l’asymétrie « Skewness » et l’aplatissement « kurtosis » ?
96. Comment calculer la moyenne d’une variable aléatoire uniforme ?
97. Comment définit-on la fonction de corrélation dans le cas aléatoire ?
98. Quelle est la différence entre les notions de corrélation et de covariance ?
99. Comment peut-on caractériser le contenu spectral d’un signal aléatoire ?
100. Quelles sont les principales propriétés de la fonction d’intercorrélation ?
101. Quelle est l’expression de la matrice de corrélation d’un processus aléatoire stationnaire ? 203
102. Comment définir la densité spectrale de puissance dans le cas aléatoire ?
103. Quelle est l’erreur d’estimation sur la fonction de corrélation ? Sur la densité de probabilité ?
104.Quels sont les différents modes de convergence pour une variable aléatoire ?
105. Quelle est la distinction entre l’inégalité de Biennaymé-Tchebychev etle théorème de la limite centrale ?
106. Est ce qu’on peut générer un signal non-stationnaire ? Que peut-on dire sur la stationnarité des signaux modulés ?
107. Qu’appelle-t-on « système linéaire, continu et invariant » ?
108. Pourquoi la convolution joue-t-elle un si grand rôle en traitement du signal ?
109. Quel est le lien entre la convolution et le filtrage ?
110. Soit un filtre linéaire analogique de réponse impulsionnelle h(t) excité par un signal x(t). Quelle est l’expression de sa sortie y(t) ?
111. Quelles sont les propriétés vérifiées par la transformée en Z ?
112. Quelles sont les relations entre les transformées de Fourier, de Laplace et en Z ?
113.Quelle est la différence entre la fonction de transfert et le gain complexe ?
114. Que représente un pôle pour une fonction de transfert ?
115. A quoi peut servir la transformée de Laplace ?
116. Quelle définition donne-t-on à la bande passante ?
117. Comment définit-on la fréquence de coupure sur une courbe de gain ?
118. Quelle est l’expression type de la fonction de transfert pour un filtre d’ordre deux ?
119. Quelle est l’atténuation d’un filtre en fonction de son ordre ?
120. Qu’est-ce que la représentation de Bode ?
121. A partir de la fonction de transfert d’un filtre passe-bas normalisé, comment obtient-on les passe-haut, passe-bande correspondants ?
122. Comment se comporte un système en fonction de la position des pôles de sa fonction de transfert ?
123. Si le signal d’entrée d’un système réel est sinusoïdal, comment se comporte le signal de sortie ?
124. Pour un système linéaire, comment définit-on le retard de phase et le retard de groupe ?
125. Comment déterminer la stabilité d’un système analogique ?
126. Quelle est la condition de stabilité d’un filtre numérique ?
127. Qu’appelle-t-on système réalisable ?
128. Pourquoi un filtre idéal n’est-il pas réalisable physiquement en temps réel ?
129. Un filtre linéaire retardant un signal sans déformation est-il réalisable en temps réel ?
130. A quoi sert le théorème des résidus ?
131. Comment retrouver de deux façons différentes la réponse impulsionnelle d’un système linéaire discret ?
132. Qu’est-ce qu’un modèle ARMA?
133. Comment définit-on un gabarit ?
134. Que représentent les filtres de Butterworth, Tchebychev, Cauer ?
135. Quelle est la particularité, au niveau de la réponse impulsionnelle, d’un filtre discret non-récursif ?
136. A quoi sert une fenêtre d’apodisation ?
137. Comment synthétise-t-on un filtre numérique récursif par la méthode de l’invariance impulsionnelle ?
138. Qu’est-ce que la transformee bilineaire (TBL) ?
139.Comment synthétiser un filtre numérique à réponse impulsionnelle finie ?
140. Quelles sont les différences entre les filtres RIF et RII ?
141. Quelles sont les paramètres caractéristiques à prendre en compte pour l’implantation d’un filtre numérique ?
142. Quelles sont les propriétés intéressantes d’un filtre à minimum de phase ?
143. Que nous apprend la formule des interférences ?
144. Comment calculer la moyenne d’un signal aléatoire continu x(t,w) par filtrage ?
145. Qu’appelle-t-on « moyenne linéaire » et « moyenne exponentielle » d’un signal numérique ?
146. Comment mesure-t-on, en pratique, la fonction de transfert d’un système linéaire ?
147. Quelle information peut-on extraire de la fonction de cohérence ?
148. Quels sont les avantages et inconvénients des communications numériques ?
149. Quel est le principe d’une chaîne de communication ?
150. Quels sont les intérêts des techniques de modulation ?
151. Quels sont les principaux paramètres dictant le choix d’un type de modulation ?
152. Donner le sens physique d’un rapport signal sur bruit
153. Définir : détection, estimation, déconvolution, classification
154. Quels sont les quatre principaux critères de détection à structure libre ?
155. Comment définit-on la probabilité d’erreur dans un problème de détection ?
156.Comment évaluer l’erreur commise sur la réception d’un signal binaire transmis dans un canal fortement bruité ?
157. Quel est le critère d’optimisation utilisé dans la théorie du filtre adapté ?
158.Comment détecte-t-on un signal déterministe noyé dans un bruit guaussien ?
159. Quels sont les différents types d’estimateurs bayésiens ?
160. Comment estime-t-on la corrélation d’un processus stationnaire au second ordre ?
161. Quelle est la différence entre le corrélogramme et le périodogramme?
162. Quel est le principal défaut du périodogramme standard ? Comment y remédier ?
163. Quelles sont les qualités attendues d’un estimateur ?
164. Qu’apporte l’analyse spectrale paramétrique par rapport à l’analyse spectrale classique ?
165. Quel est l’intérêt du filtrage de Wiener ?
166. Qu’apporte le filtrage de Kalman ?
167. Qu’apporte la représentation d’état d’un système ?
168. Quelles sont les limitations inhérentes à l’analyse spectrale appliquée aux signaux non-stationnaires ?
169. Qu’est-ce que le spectrogramme ?
170. Comment définit-on une représentation de Wigner-Ville ?
171. Qu’apporte au traitement des signaux non-stationnaires la transformée en ondelettes ?
172. Quel est le principe des méthodes homomorphiques ?
173. Pourquoi dans plusieurs applications une analyse au second ordre Estelle insuffisante ?
174. Qu’appelle-t-on bicorrélation d’un processus ?Numéro de notice : 26023 Affiliation des auteurs : non IGN Thématique : MATHEMATIQUE Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92402
Titre : Stochastic processes : Theory and applications Type de document : Monographie Auteurs : Alexander Zeifman, Éditeur scientifique ; Victor Korolev, Éditeur scientifique ; Alexander Sipin, Éditeur scientifique Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2019 Importance : 216 p. Format : 17 x 25 cm ISBN/ISSN/EAN : 978-3-03921-962-9 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques
[Termes IGN] chaîne de Markov
[Termes IGN] champ aléatoire de Markov
[Termes IGN] méthode de Monte-Carlo
[Termes IGN] modèle dynamique
[Termes IGN] modèle stochastique
[Termes IGN] processus stochastique
[Termes IGN] variable aléatoireRésumé : (auteur) The aim of this special issue is to publish original research papers that cover recent advances in the theory and application of stochastic processes. There is especial focus on applications of stochastic processes as models of dynamic phenomena in various research areas, such as queuing theory, physics, biology, economics, medicine, reliability theory, and financial mathematics. Potential topics include, but are not limited to: Markov chains and processes; large deviations and limit theorems; random motions; stochastic biological model; reliability, availability, maintenance, inspection; queueing models; queueing network models; computational methods for stochastic models; applications to risk theory, insurance and mathematical finance. Note de contenu : 1- A note on a generalized Gerber–Shiu discounted penalty function for a compound Poisson risk model
2- Valuing guaranteed minimum death benefits by cosine series expansion
3- On two interacting Markovian queueing systems
4- On truncation of the matrix-geometric stationary distributions
5- Optimization of queueing model with server heating and cooling
6- Monte Carlo methods and the Koksma-Hlawka inequality
7- Exact time-dependent queue-length solution to a discrete-time geo/D/1 queue
8- Analysis of a semi-open queuing network with a state dependent marked Markovian arrival process, customers retrials and impatience
9- On the rate of convergence and limiting characteristics for a nonstationary queueing model
10- Statistical tests for extreme precipitation volumes
11- Non-parametric threshold estimation for the Wiener–Poisson risk model
12- On the rate of convergence for a characteristic of multidimensional birth-death process
13- Estimating the expected discounted penalty function in a compound Poisson insurance risk model with mixed premium income
14- Monte Carlo algorithms for the parabolic Cauchy problem
15- Cumulative measure of inaccuracy and mutual information in k-th Lower record valuesNuméro de notice : 25971 Affiliation des auteurs : non IGN Thématique : MATHEMATIQUE Nature : Monographie DOI : 10.3390/books978-3-03921-963-6 En ligne : https://doi.org/10.3390/books978-3-03921-963-6 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96615 Bayesian statistics and Monte Carlo methods / Karl Rudolf Koch in Journal of geodetic science, vol 8 n° 1 (January 2018)
[article]
Titre : Bayesian statistics and Monte Carlo methods Type de document : Article/Communication Auteurs : Karl Rudolf Koch, Auteur Année de publication : 2018 Article en page(s) : pp 18 - 29 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Statistiques
[Termes IGN] matrice de covariance
[Termes IGN] méthode de Monte-Carlo
[Termes IGN] propagation d'erreur
[Termes IGN] théorème de Bayes
[Termes IGN] variable aléatoire
[Termes IGN] vecteur aléatoire multidimensionnelRésumé : (Auteur) The Bayesian approach allows an intuitive way to derive the methods of statistics. Probability is defined as a measure of the plausibility of statements or propositions. Three rules are sufficient to obtain the laws of probability. If the statements refer to the numerical values of variables, the so-called random variables, univariate and multivariate distributions follow. They lead to the point estimation by which unknown quantities, i.e. unknown parameters, are computed from measurements. The unknown parameters are random variables, they are fixed quantities in traditional statistics which is not founded on Bayes’ theorem. Bayesian statistics therefore recommends itself for Monte Carlo methods, which generate random variates from given distributions. Monte Carlo methods, of course, can also be applied in traditional statistics. The unknown parameters, are introduced as functions of the measurements, and the Monte Carlo methods give the covariance matrix and the expectation of these functions. A confidence region is derived where the unknown parameters are situated with a given probability. Following a method of traditional statistics, hypotheses are tested by determining whether a value for an unknown parameter lies inside or outside the confidence region. The error propagation of a random vector by the Monte Carlo methods is presented as an application. If the random vector results from a nonlinearly transformed vector, its covariance matrix and its expectation follow from the Monte Carlo estimate. This saves a considerable amount of derivatives to be computed, and errors of the linearization are avoided. The Monte Carlo method is therefore efficient. If the functions of the measurements are given by a sum of two or more random vectors with different multivariate distributions, the resulting distribution is generally not known. The Monte Carlo methods are then needed to obtain the covariance matrix and the expectation of the sum. Numéro de notice : A2018-613 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1515/jogs-2018-0003 Date de publication en ligne : 02/03/2018 En ligne : https://doi.org/10.1515/jogs-2018-0003 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92646
in Journal of geodetic science > vol 8 n° 1 (January 2018) . - pp 18 - 29[article]PermalinkPermalinkRegistration of images to Lidar and GIS data without establishing explicit correspondences / Gabor Barsai in Photogrammetric Engineering & Remote Sensing, PERS, vol 83 n° 10 (October 2017)PermalinkOndelettes et processus stochastiques / Abdourrahmane M. Atto (2017)PermalinkA probabilistic approach to detect mixed periodic patterns from moving object data / Jun Li in Geoinformatica, vol 20 n° 4 (October - December 2016)PermalinkPermalinkPermalinkPhotogrammetric computer vision / Wolfgang Förstner (2016)PermalinkPermalinkPermalinkPermalinkProbabilités pour les sciences de l'ingénieur / Manuel Samuelides (2014)PermalinkOn the formulation of the alternative hypothesis for geodetic outlier detection / Rüdiger Lehmann in Journal of geodesy, vol 87 n° 4 (April 2013)PermalinkIntroduction au calcul des probabilités et à la statistique / Jean-François Delmas (2013)PermalinkThéorie des codes : compression, cryptage, correction / J. G. Dumas (2013)PermalinkDetecting negative spatial autocorrelation in georeferenced random variables / Daniel A. Griffith in International journal of geographical information science IJGIS, vol 24 n°3-4 (march 2010)PermalinkDéveloppements de grandes déviations pour des sommes pondérées appliqués à un problème géographique / Olivier Bonin (2005)PermalinkA comparison of two methods to create tracks of moving objects: linear weighted distance and constrained random walk [distance linéaire pondérée et trajet aléatoire contraint] / E.A. Wentz in International journal of geographical information science IJGIS, vol 17 n° 7 (october 2003)PermalinkCours de topométrie générale ES1 / Françoise Duquenne (2003)PermalinkStochastic assessment of GPS carrier phase measurements for precise static relative positioning / J. Wang in Journal of geodesy, vol 76 n° 2 (February 2002)PermalinkAnalyse statistique des données expérimentales / K. Protassov (2002)PermalinkGrandes déviations pour des sommes pondérées de variables aléatoires i.i.d. appliquées à un problème géographique / Olivier Bonin in Comptes rendus de l'Académie des Sciences. Série 1, Mathématique, Tome 333 n° 4 (15 août 2001)PermalinkAvalanche cartography: visualization of dynamic-temporal phenomena in a mountainous environment / K. Kriz in Cartographica, vol 38 n° 1 - 2 (March 2001)PermalinkProbabilités de l'ingénieur / Nicolas Bouleau (2001)PermalinkProbabilités et statistiques, version préliminaire / Patrick Sillard (2000)PermalinkProbabilités et statistiques dans les sciences expérimentales / Elie Belorizky (1998)PermalinkAstrophysique / Pierre Léna (1996)PermalinkLe signal aléatoire / D. Declercq (1996)PermalinkModélisation de la précision géométrique dans les SIG / François Vauglin (1994)PermalinkProbability and statistics / A. Papoulis (1990)PermalinkCours de mathématiques du signal / Hervé Reinhard (1986)PermalinkDas Geodätische Datum mit Stochastischer Vorinformation / Burkhard Schaffrin (1985)PermalinkThéories et méthodes de la statistique / Gilbert Saporta (1978)PermalinkGeneral model for linear filtering / Arne Bjerhammar (1973)PermalinkLinear statistical inference and its applications / Calyampudi Radhakrishna Rao (1973)PermalinkEléments de probabilités et de statistique / Henri Marcel Dufour (1971)PermalinkRandom data / J.S. Bendat (1971)PermalinkMathématiques modernes pour l'ingénieur, 2. Tome 2 / E.F. Beckenbach (1968)PermalinkMéthode des fonctions arbitraires, théorie des événements en chaine dans le cas d'un nombre fini d'états possibles / M. Frechet (1938)PermalinkGénéralités sur les probabilités, variables aléatoires / M. Frechet (1937)Permalink