Les bookmarks de Clem
2387 shaares
La fiche d'aide de jagam, que je me mets dans mes favoris, juste pour facilement retrouver ce résultat: la section références est une mine d'or sur le lissage spline dans l'espace. Voir en particulier l'article de Wood (encore sous presse) donnant toutes les refs sur la définition des pénalités de lissage à travers une prior multinormale un peu sioux.
Super intéressant
Super intéressant
À récupérer et à lire
marrant
Une super intro à la cryptographie sur courbe elliptique.
Elle est géniale: une super inventrice de super-robots!
Le principe sur lequel bitcoin repose. Sais pas trop quoi en penser. L'idée est rigolotte.
Une bonne intro à Bitcoin.
Article de blog intéressant sur l'ajustement de spline 2D avec JAGS. La fonction jagam du package mgcv semble très intéressante. Décortiquer cette fonction, programmée par S.Wood lui-même (!), risque d'apporter pas mal d'infos super intéressantes!
Section Jacobian Determinant: Wikipedia est un outil génial. L'explication du pourquoi il apparaît dans le changement de variable lors de l'intégration est limpide, et les illustrations aussi.
Vive Wikipedia.
Vive Wikipedia.
Super explication de la raison pour laquelle on trouve le déterminant de la Jacobienne quand on fait du changement de variable dans une intégrale multiple:
Le déterminant d'une matrice est le volume du parallélotope (l'extension du parallélépipède dans un espace de dimension n) défini par les vecteurs de la matrices.
Si on a une fonction qui prend un vecteur x de longueur n et qui renvoie un vecteur y de longueur m, alors la Jacobienne est une matrice m×n qui décrit la valeur de la dérivée des m éléments résultats sur les n éléments d'entrée. Considérons le cas où m=n. La Jacobienne décrit alors la pente de chaque fonction élément de y dans la direction de chaque élément de x: La Jacobienne est une approximation linéaire en un point x de la fonction vectorielle y(x).
Le déterminant de la jacobienne est alors un "élément de volume différentiel". Idée intéressante à creuser.
Le déterminant d'une matrice est le volume du parallélotope (l'extension du parallélépipède dans un espace de dimension n) défini par les vecteurs de la matrices.
Si on a une fonction qui prend un vecteur x de longueur n et qui renvoie un vecteur y de longueur m, alors la Jacobienne est une matrice m×n qui décrit la valeur de la dérivée des m éléments résultats sur les n éléments d'entrée. Considérons le cas où m=n. La Jacobienne décrit alors la pente de chaque fonction élément de y dans la direction de chaque élément de x: La Jacobienne est une approximation linéaire en un point x de la fonction vectorielle y(x).
Le déterminant de la jacobienne est alors un "élément de volume différentiel". Idée intéressante à creuser.
L'article semble très intéressant
Quelques refs intéressantes.
Discussion très intéressante: à priori, on doit bien dire Théorème central limite et pas théorème de la limite centrale comme je le croyais. Le nom provient d'un article allemand de Polya dans lequel l'adjectif "central" est de façon non-ambigüe associé à "théorème".
Voila.
Voila.
Idée cadeau: des zoulies bagues.
L'art d'écrire des infos en trois lignes. Ma préférée, pas citée ici: "Le bateau de pêche la Marie-Jeanne, dix hommes dessus. Une lame de fond, dix hommes dessous"
Tiens, j'avais pas vu, yavait un article de Rue 89 sur le Donon...
Ah ben celle là je la connaissais pas... Et elle m'a l'air super utile: déjà, si j'ai des variables Z_n suivant une distribution logarithmique, et que le nombre N de variables Z_n est tiré d'une loi de Poisson, alors la somme des Z_n sur N est une négative binomiale. Ça, c'est vachement utile: je bosse sur des dénombrements de cerfs sur un circuit. Je connais le nombre total de cerfs sur le circuit, et je pensais modéliser ce nombre par une loi de Poisson. Pb, il y a de la surdispersion par rapport au modèle de Poisson dans le nombre total de cerf. Normal: le cerf vit en groupe, et donc la variabilité du nombre de cerfs sur un circuit traduit non seulement la variabilité du nombre de groupes de cerfs, mais aussi celle du nombre de cerfs par groupe. Si je suppose que le nombre d'individus par groupe suit une distribution logarithmique, et que le nombre de groupes est décrit par une loi de Poisson inhomogène, alors le nombre total de cerfs sur le circuit sera décrit par une loi binomiale négative.
Le modèle est pas mal. En plus, cette distribution est définie pour des valeurs supérieures ou égales à 1, ce qui prend carrément sens pour des tailles de groupes.
Bon après, je voudrais voir deux choses: (i) la surdispersion observée dans mes données est-elle compatible avec celle observée avec la binomiale négative? (ii) les groupes de un individu sont les plus fréquents d'après cette loi (mode = 1), ce qui pourrait bien m'embêter pour le cerf...
Le modèle est pas mal. En plus, cette distribution est définie pour des valeurs supérieures ou égales à 1, ce qui prend carrément sens pour des tailles de groupes.
Bon après, je voudrais voir deux choses: (i) la surdispersion observée dans mes données est-elle compatible avec celle observée avec la binomiale négative? (ii) les groupes de un individu sont les plus fréquents d'après cette loi (mode = 1), ce qui pourrait bien m'embêter pour le cerf...
je suis assez d'accord.
C'est pas vrai, ya un bouquin sur les origines de ma famille...
À lire?
À lire?