Séances de cours associées à Complex normal distribution

Estimateurs et intervalles de confiance

Explore le biais, la variance, les estimateurs non biaisés et les intervalles de confiance dans l'estimation statistique.

Distribution normale : caractéristiques et exemples

Couvre les caractéristiques et l'importance de la distribution normale, y compris des exemples et des scénarios de traitement.

Séance de révision : Module 1

Introduit des statistiques inférentielles, couvrant l'échantillonnage, la tendance centrale, la dispersion, les histogrammes, les scores z et la distribution normale.

Statistiques à variables multiples : distribution normale

Couvre la distribution normale multivariée, les propriétés et les méthodes d'échantillonnage.

Analyse statistique: Boxplot et distribution normale

Introduit des concepts d'analyse statistique comme boxplot et la distribution normale à l'aide d'exemples de données réelles.

Variables aléatoires continues

Explore les variables aléatoires continues, les fonctions de densité, les variables articulaires, l'indépendance et les densités conditionnelles.

Inférence variée: Bound inférieur et ELBO

Explique l'inférence variationnelle, l'inégalité de Jensen, l'étape E, l'étape M et l'échantillonnage MCMC.

Théorie de l'échantillonnage: Statistiques pour les mathématiciens

Couvre la théorie de l'échantillonnage, en mettant l'accent sur les statistiques pour les mathématiciens.

Opérations vectorielles: avions et lignes

Explore les opérations vectorielles dans l'espace 3D, y compris les intersections planes et les calculs de distance.

Principe des grandes déviations : le théorème de Cramer

Couvre le théorème de Cramer et l'inégalité de Hoeffding dans le contexte du principe des grandes déviations.

Modèles statistiques : Familles et transformations

Explore les modèles statistiques, les familles de distributions, les transformations et leurs applications en théorie des probabilités.

Contrôle multivariable : matrices de pondération et vecteurs aléatoires gaussiens

Discute de la conception des matrices de pondération pour LQR et les vecteurs aléatoires gaussiens.

Distributions normales

Couvre les caractéristiques et l'importance de la distribution normale dans l'analyse statistique.

Modèles variables latents

Explore les modèles variables latents, l'algorithme EM et l'inégalité de Jensen dans la modélisation statistique.

Distribution normale : propriétés et calculs

Couvre la distribution normale, y compris ses propriétés et ses calculs.

Réservoirs et barrages : construction et dimensionnement hydrauliques

Explore le dimensionnement des réservoirs et des barrages en utilisant des courbes d'écoulement cumulatives et le dimensionnement des réservoirs pour les périodes sèches et pluvieuses.

Théorème des limites centrales : preuve

Présente la preuve du théorème de la limite centrale en utilisant le principe de Lindeberg.

Processus de fabrication de pizza

Couvre le processus de fabrication de la pizza, de l'échantillonnage, des moyennes, de la dispersion, des résidus et de la distribution normale.

Théorème des limites centrales: Illustration et applications

Explore le théorème de la limite centrale et ses applications dans l'analyse statistique.

Toutes les probabilités : Basic Bounds, LLN & CLT

Introduit les limites de base, LLN et CLT dans la théorie des probabilités, en mettant l'accent sur la convergence vers la distribution normale.