La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Lois de probabilité et tests d'hypothèse
R2026aUne distribution (ou loi) de probabilité est une distribution théorique fondée sur des hypothèses concernant une population source. Cette distribution décrit la probabilité des résultats possibles d’un événement aléatoire. Un test d’hypothèse vous aide à déterminer si votre échantillon de données provient d’une population présentant des caractéristiques particulières telles qu’une distribution spécifique. Statistics and Machine Learning Toolbox™ propose des fonctionnalités et des outils permettant d’utiliser des lois de probabilité et d’effectuer des tests d’hypothèses, notamment des fonctions pour :
Ajuster des lois de probabilité aux échantillons de données.
Évaluer des fonctions de probabilité telles que pdf et cdf.
Calculer des statistiques sommaires comme la moyenne et la médiane.
Visualiser les échantillons de données.
Générer des nombres aléatoires.
Effectuer des tests d’hypothèses tels que des tests de distribution, de position et de dispersion.
Pour plus d’informations, consultez Working with Probability Distributions et Available Hypothesis Tests.
Fondamentaux des lois de probabilité et des tests d’hypothèses
Catégories
- Distributions discrètes univariées
Calculer, ajuster et générer des échantillons à partir de distributions à valeurs entières
- Distributions continues univariées
Calculer, ajuster et générer des échantillons à partir de distributions à valeurs réelles
- Distributions multivariées
Calculer, ajuster et générer des échantillons à partir de distributions à valeurs vectorielles
- Exploration et visualisation
Tracer des fonctions de distribution, ajuster des distributions de manière interactive, créer des tracés et générer des nombres aléatoires
- Génération de nombres pseudo- et quasi-aléatoires
Générer des échantillons de données pseudo- et quasi-aléatoires
- Techniques de rééchantillonnage
Rééchantillonner les données avec les méthodes bootstrap, jackknife et de validation croisée
- Tests d’hypothèses
Test t, test F, test chi² de la qualité de l’ajustement et autres tests
Sélection d՚exemples
Curve Fitting and Distribution Fitting
Perform curve fitting and distribution fitting, and learn when each method is appropriate.
Simulate Dependent Random Variables Using Copulas
Use copulas to generate data from multivariate distributions with complicated relationships among the variables, or with the individual variables from different distributions.
Fitting a Univariate Distribution Using Cumulative Probabilities
Fit univariate distributions using least-squares estimates of the cumulative distribution functions. This is a generally applicable method that can be useful in cases when maximum likelihood fails, for instance some models that include a threshold parameter.
Fit Custom Distributions
Fit a custom distribution to univariate data by using the mle function.
Avoid Numerical Issues When Fitting Custom Distributions
Use advanced techniques with the mle function to avoid numerical issues when fitting a custom distribution. Specifically, you learn how to:
Ressources pédagogiques
Statistiques descriptives et distributions de probabilités
Découvrir les concepts liés aux statistiques descriptives et aux distributions discrètes et continues.
