Estymacja parametru rozkładu Rayleigha i logistycznego w terminach k-tych wartości rekordowych
|
|
- Kazimiera Skowrońska
- 7 lat temu
- Przeglądów:
Transkrypt
1 Estymacja parametru rozkładu Rayleigha i logistycznego w terminach k-tych wartości rekordowych Iwona Malinowska Politechnika Lubelska Dominik Szynal UMCS, Lublin XXXIII Konferencja "STATYSTYKA MATEMATYCZNA WISŁA 2007"
2 Omawiane zagadnienia: 1 Wiadomości wstępne
3 Omawiane zagadnienia: 1 Wiadomości wstępne 2 Bayesowskie estymatory względem symetrycznych funkcji starty
4 Omawiane zagadnienia: 1 Wiadomości wstępne 2 Bayesowskie estymatory względem symetrycznych funkcji starty 3 Bayesowskie estymatory względem asymetrycznych funkcji straty
5 Omawiane zagadnienia: 1 Wiadomości wstępne 2 Bayesowskie estymatory względem symetrycznych funkcji starty 3 Bayesowskie estymatory względem asymetrycznych funkcji straty 4 Klasyczne estymatory dla parametru rozkładu Rayleigha
6 Omawiane zagadnienia: 1 Wiadomości wstępne 2 Bayesowskie estymatory względem symetrycznych funkcji starty 3 Bayesowskie estymatory względem asymetrycznych funkcji straty 4 Klasyczne estymatory dla parametru rozkładu Rayleigha 5 Bayesowskie estymatory dla parametru rozkładu Rayleigha
7 Omawiane zagadnienia: 1 Wiadomości wstępne 2 Bayesowskie estymatory względem symetrycznych funkcji starty 3 Bayesowskie estymatory względem asymetrycznych funkcji straty 4 Klasyczne estymatory dla parametru rozkładu Rayleigha 5 Bayesowskie estymatory dla parametru rozkładu Rayleigha 6 Ilustracja numeryczna
8 Omawiane zagadnienia: 1 Wiadomości wstępne 2 Bayesowskie estymatory względem symetrycznych funkcji starty 3 Bayesowskie estymatory względem asymetrycznych funkcji straty 4 Klasyczne estymatory dla parametru rozkładu Rayleigha 5 Bayesowskie estymatory dla parametru rozkładu Rayleigha 6 Ilustracja numeryczna 7 Estymatory parametru rozkładu logistycznego
9 Wiadomości wstępne k-te wartości rekordowe Dla ustalonej liczby naturalnej k 1 określamy k te górne czasy rekordowe {U k (n), n 1}, ciągu {X n, n 1} jako U k (1) = 1, { } U k (n + 1) = min j > U k (n) : X j:j+k 1 > X Uk (n):u k (n)+k 1, n 1, oraz k-te górne wartości rekordowe jako Y n (k) dla {X n, n 1}. = X Uk (n):u k (n)+k 1
10 Wiadomości wstępne k-te wartości rekordowe Dla ustalonej liczby naturalnej k 1 określamy k te górne czasy rekordowe {U k (n), n 1}, ciągu {X n, n 1} jako U k (1) = 1, { } U k (n + 1) = min j > U k (n) : X j:j+k 1 > X Uk (n):u k (n)+k 1, n 1, oraz k-te górne wartości rekordowe jako Y n (k) = X Uk (n):u k (n)+k 1 dla {X n, n 1}. Dla ustalonej liczby naturalnej k 1 określamy k te dolne czasy rekordowe {L k (n), n 1}, ciągu {X n, n 1} jako L k (1) = 1, } L k (n + 1) = min {j > L k (n) : X k:lk (n)+k 1 > X k:j+k 1, n 1, oraz k-te dolne wartości rekordowe jako Z n (k) {X n, n 1}. = X k:lk (n)+k 1, dla
11 Wiadomości wstępne Łączna gęstość prawdopodobieństwa wektora losowego (Y (k) 1,..., Y n (k) ), n N ma postać f (k) Y 1,...,Y n (k) (x 1,..., x n ) k = n n 1 f (x i ) i=1 1 F (x i ) (1 F (x n)) k 1 f (x n ), x 1 <... < x n, 0, poza tym.
12 Wiadomości wstępne Łączna gęstość prawdopodobieństwa wektora losowego (Y (k) 1,..., Y n (k) ), n N ma postać f (k) Y 1,...,Y n (k) (x 1,..., x n ) k = n n 1 f (x i ) i=1 1 F (x i ) (1 F (x n)) k 1 f (x n ), x 1 <... < x n, 0, poza tym. Funkcja gęstości zmiennej losowej Y (k) n dana jest wzorem f (k) Y (x) = n kn (n 1)! ( ln(1 F (x)))n 1 (1 F (x)) k 1 f (x), n 1.
13 Wiadomości wstępne Rozkład Rayleigha f (x θ) = 2θxe θx2, x > 0; θ > 0, F (x θ) = 1 e θx2, x > 0; θ > 0, ( Soliman (2006)).
14 Wiadomości wstępne Rozkład Rayleigha f (x θ) = 2θxe θx2, x > 0; θ > 0, F (x θ) = 1 e θx2, x > 0; θ > 0, ( Soliman (2006)). Uogólniony rozkład logistyczny typu I f (x θ) = θe x, < x < + ; θ > 0, (1 + e x θ+1 ) F (x θ) = 1, < x < + ; θ > 0, (Asgharzadeh (2006)). (1 + e x θ )
15 Bayesowskie estymatory względem symetrycznych funkcji starty Bayesowski estymator względem kwadratowej funkcji starty Kwadratowa (Sq) funkcja straty jest postaci L(φ(θ), φ(θ)) = (φ(θ) φ(θ)) 2. Bayesowski estymator funkcji parametrycznej φ(θ) względem rozkładu a priori wyraża się wzorem φ(θ) = E φ (φ(θ)).
16 Bayesowskie estymatory względem symetrycznych funkcji starty Bayesowski estymator względem kwadratowo-logarytmicznej funkcji starty Kwadratowo-logarytmiczna (Sq-log) funkcja straty jest postaci L( φ(θ), φ(θ)) = (ln φ(θ) ln φ(θ)) 2, (Ferguson (1967)). Bayesowski estymator względem tej funkcji (oznaczony przez φ(θ) BLG ) wyraża się wzorem: φ BLG = exp [E φ (ln φ(θ))], o ile E φ (ln φ(θ)) istnieje i jest skończona.
17 Bayesowskie estymatory względem symetrycznych funkcji starty Bayesowski estymator względem funkcji starty typu odległości Kullbacka-Leiblera Funkcja straty typu odległości Kullbacka-Leiblera (DKL) dla φ(θ), dana jest wzorem: ( ) L φ(θ), φ(θ) (φ(θ)) r ln φ(θ) ( ) r φ(θ) + φ(θ) φ(θ) ln φ(θ), gdzie φ jest estymatorem φ i r jest liczbą rzeczywistą dodatnią.
18 Bayesowskie estymatory względem symetrycznych funkcji starty Bayesowski estymator względem funkcji starty typu odległości Kullbacka-Leiblera Funkcja straty typu odległości Kullbacka-Leiblera (DKL) dla φ(θ), dana jest wzorem: ( ) L φ(θ), φ(θ) (φ(θ)) r ln φ(θ) ( ) r φ(θ) + φ(θ) φ(θ) ln φ(θ), gdzie φ jest estymatorem φ i r jest liczbą rzeczywistą dodatnią.bayesowski estymator φ(θ), oznaczany przez φ := φ BKL względem DKL funkcji straty jest rozwiązaniem równania r ( ) r φ BKL ln φ ( ) r ( ) r BKL + φ BKL r φ BKL Eφ ln φ(θ) = E φ (φ(θ)) r, zakładając, że E φ ( ) istnieje i jest skończona.
19 Bayesowskie estymatory względem asymetrycznych funkcji straty Bayesowski estymator względem LINEX funkcji starty Liniowo-wykładnicza (LINEX ) funkcja straty dla φ := φ(θ) jest wyrażona następująco L( ) = e a a 1, a 0, gdzie = φ(θ) φ(θ) i φ jest estymowaną wartością φ (Varian (1975)). Bayesowski estymator φ(θ) względem LINEX funkcji straty (oznaczony przez φ BL ) wyraża się wzorem φ BL = 1 a ln ( E φ ( e aφ(θ))) zakładając, że E φ (e aφ(θ)) istnieje i jest skończona.
20 Bayesowskie estymatory względem asymetrycznych funkcji straty Bayesowski estymator względem uogólnionej entropijnej funkcji starty Uogólniona entropijna (GE) funkcja straty jest postaci: L( φ(θ), φ(θ)) ( φ(θ)/φ(θ)) q q ln( φ(θ)/φ(θ)) 1, (Soliman (2006)) i minimum przyjmuje w φ(θ) = φ(θ). Bayesowski estymator φ(θ) BGE dla φ(θ) względem GE funkcji straty jest postaci: φ BGE = [ E φ ( φ(θ) q )] 1 q zakładając, że E φ (φ(θ) q ) istnieje i jest skończona.
21 Klasyczne estymatory dla parametru rozkładu Rayleigha Klasyczne estymatory dla parametru rozkładu Rayleigha Przypuśćmy teraz, że zaobserwowano m pierwszych ktych górnych wartości rekordowych Y (k) 1 = x (k) 1, Y (k) 2 = x (k) 2,..., Y m (k) = x m (k) pochodzących z próby o rozkładzie Rayleigha. Funkcja wiarogodności ma postać: ( m 1 L(x (k) θ) = k m = k m e kθ(x(k) i=1 m ) 2 m i=1 f (x (k) ) i ) 1 F (x (k) i ) 2θx (k) i gdzie x (k) = (x (k) 1, x (k) 2,..., x (k) m ). ( k m θ m e kθ [1 F (x m (k) )] k 1 f (x m (k) ) x (k) m ) 2, x (k) 1 < x (k) 2 <... < x m (k)
22 Klasyczne estymatory dla parametru rozkładu Rayleigha ML estymator parametru θ wyraża się wzorem ( Y (k) m θ (k,m) ML = m ( k Y (k) m ) 2. ) 2 ma rozkład gamma z parametrami (m, kθ) tj. oraz ( f ( x (k) m ) 2 θ) = (kθ) m Var( θ (k,m) ML θ) = Γ(m) ( ( x (k) m ) 2 ) m 1 e kθ (x (k) E( θ (k,m) ML θ) = mθ m 1, m > 1, m 2 θ 2 (m 1) 2 (m 2), m > 2. m ) 2
23 Klasyczne estymatory dla parametru rozkładu Rayleigha ( Y m (k) ) 2 jest statystyką dostateczną i zupełną, zatem z twierdzeń Rao Blackwella i Lehmanna Scheffe wynika, że MVU estymator dla parametru θ dany jest wzorem z θ (k,m) MVU = ( m 1 ) 2, k Y (k) m E( θ (k,m) (k,m) MVU θ) = θ i Var( θ MVU θ) = θ2 m 2, m > 2.
24 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowskie estymatory dla parametru rozkładu Rayleigha Zakładamy, że rozkład a priori ma postać π(θ) = βα Γ(α) θα 1 e βθ, θ > 0; α, β > 0. Natomiast rozkład a posteriori θ jest rozkładem gamma z ( ) 2 parametrami (m + α, k + β), danym przez Y (k) m π (θ x (k) ) = ( ( β + k x (k) m Γ(m + α) ) 2 ) m+α θ m+α 1 e ( ( β+k x (k) m ) 2 ) θ, θ > 0.
25 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator względem Sq funkcji straty Dla k=1 Dla m = 1 θ (k,m) B = θ (1,m) B = θ (1,1) B m + α ( β + k Y (k) m ) 2. m + α ( ) 2. β + Y (1) m = 1 + α β + X 2 1 jest estymatorem opisanym na próbie o rozmiarze 1. Nasze podejście pozwala otrzymać estymator dla θ używając próbki o rozmiarze k. Mianowicie, dla m = 1 mamy θ (k) B = 1 + α β + k (X 1:k ) 2.
26 Bayesowskie estymatory dla parametru rozkładu Rayleigha Jeżeli α i β dążą do zera, to estymator Bayesowski ˆθ (k,m) ML. ˆθ (k,m) B dąży do
27 Bayesowskie estymatory dla parametru rozkładu Rayleigha Jeżeli α i β dążą do zera, to estymator Bayesowski ˆθ (k,m) ML. ( ) 2 Rozkład brzegowy jest postaci Y (k) m ˆθ (k,m) B dąży do f ( ( ) ) 2 x m (k) = βα k m B(m, α) ( (x (k) m ) 2) m 1 (β + k(x (k) m ) 2 ) m+α, gdzie B(a, b) jest funkcją beta. (k,m) Dla Bayesowskiego estymatora ˆθ B mamy E(ˆθ (k,m) B ) = α (k,m), Var(ˆθ B ) = β αm (m + α + 1)β 2.
28 Bayesowskie estymatory dla parametru rozkładu Rayleigha Jeżeli α i β dążą do zera, to estymator Bayesowski ˆθ (k,m) ML. ( ) 2 Rozkład brzegowy jest postaci Y (k) m ˆθ (k,m) B dąży do f ( ( ) ) 2 x m (k) = βα k m B(m, α) ( (x (k) m ) 2) m 1 (β + k(x (k) m ) 2 ) m+α, gdzie B(a, b) jest funkcją beta. (k,m) Dla Bayesowskiego estymatora ˆθ B mamy E(ˆθ (k,m) B ) = α (k,m), Var(ˆθ B ) = β αm (m + α + 1)β 2.
29 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator parametru θ względem Sq-log funkcji straty ( θ (k,m) ( BLG [ψ(m = exp + α) ln β + k gdzie ψ(x) = d dx ln Γ(x). Y (k) m ) 2 )],
30 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator parametru θ względem Sq-log funkcji straty ( θ (k,m) ( BLG [ψ(m = exp + α) ln β + k gdzie ψ(x) = d dx ln Γ(x). E(ˆθ (k,m) BLG Var(ˆθ (k,m) BLG ) = α exp(ψ(m + α)) ) =, β(m + α) Y (k) m αm (exp(ψ(m + α)))2 (m + α) 2 (m + α + 1)β 2. ) 2 )],
31 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator θ BKL dla parametru θ względem DKL funkcji straty jest rozwiązaniem równania r ( θ (k,m) BKL ( θ (k,m) BKL + = ) r ln (k,m) θ BKL ) r r ( θ (k,m) BKL Γ(m + α + r) Γ(m + α) ( ( β + k ) ( r ψ(m + α) ln Y (k) m ) 2 ) r p.p. ( ( β + k Y (k) m ) 2 ))
32 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator postaci θ (k,m) BL θ (k,m) BL ( = 1 a ln β + k ( β + k względem LINEX funkcji straty jest Y m (k) ) 2 Y (k) m ) 2 + a α+m.
33 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator postaci θ (k,m) BL θ (k,m) BL ( = 1 a ln β + k ( β + k względem LINEX funkcji straty jest Y m (k) ) 2 Y (k) m ) 2 + a α+m E(ˆθ (k,m) (m + α) BL ) = (1 2 F 2 (1, α; 1, α + m; a ) a β ), Var(ˆθ (k,m) (m + α)2 BL ) = 2. ( ) n ( 1) n a β (α)n (ψ(n) ψ(1)) (1) n (α + m) n a 2 n=2 ( ( (m + α) 1 2 F 2 (1, α; 1, α + m; a )) 2 a β ), a β + kt (k) m < 1, p.p.
34 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator straty jest postaci θ (k,m) θ (k,m) BGE [ BGE = Γ(α + m) Γ(α + m q) parametru θ względem GE funkcji ] 1 q 1 ( β + k ( Y (k) m ) 2 ),
35 Bayesowskie estymatory dla parametru rozkładu Rayleigha Bayesowski estymator straty jest postaci θ (k,m) θ (k,m) BGE [ BGE = Γ(α + m) Γ(α + m q) parametru θ względem GE funkcji ] 1 q 1 ( β + k ( Y (k) m ) 2 ), ( ) E(ˆθ (k,m) Γ(m + α) 1/q BGE ) = α Γ(m + α q) β(m + α), ( ) Var(ˆθ (k,m) Γ(m + α) 2/q BGE ) = αm Γ(m + α q) (m + α) 2 (m + α + 1)β 2.
36 Ilustracja numeryczna Ilustracja numeryczna Wartość parametru θ = została wygenerowana z rozkładu gamma z parametrami α = 2.0 i β = 2.0. Wartość parametru skali a w LINEX funkcji straty i wartość q w GE funkcji straty są równe odpowiednio a = 3 i q = 5. Funkcję straty typu odległości Kullbacka-Leiblera bierzemy z r = 2, 3 i 4.
37 Ilustracja numeryczna TABELA 1. Estymatory θ (k,m), θ (k,m) ML MVU, θ(k,m), θ (k,m) B BLG, θ(k,m) BKL, θ(k,m), θ (k,m) BL BGE. θ = m k θ ML θ MVU θ B θ BLG θ (2) θ (3) θ (4) BKL BKL BKL θ BL θ BGE θ (r) jest estymatorem θ(k,m) BKL BKL z r=2,3,4.
38 Ilustracja numeryczna
39 Ilustracja numeryczna TABELA 2. MSE estymatorów θ (k,m) ML, θ (k,m) MU, θ(k,m), θ (k,m) B BLG, θ(k,m) BKL, θ(k,m), θ (k,m) BL BGE m k θ ML θ MU θ B θ BLG θ (2) θ (3) θ (4) BKL BKL BKL θ BL θ BGE θ (r) jest estymatorem θ(k,m) BKL BKL z r=2,3,4.
40 Ilustracja numeryczna
41 Estymatory parametru rozkładu logistycznego Zakładamy, że zaobserwowaliśmy m pierwszych ktych dolnych wartości rekordowych Z (k) 1 = x (k) 1, Z (k) 2 = x (k) 2,..., Z m (k) = x m (k) pochodzących z próby o rozkładzie uogólnionym logistycznym typu I. Funkcja wiarogodności jest postaci gdzie L(θ x (k) ) [ ] kθ = k m m 1 + e x(k) m i=1 θe x(k) i 1 + e x(k) i k m θ m (k) kθt e m, x (k) 1 > x (k) 2 >... > x m (k), ( x (k) = (x (k) 1, x (k) 2,..., x m (k) ), T m (k) = ln 1 + e x(k) m ).
42 Estymatory parametru rozkładu logistycznego ML estymator θ ma postać ˆθ (k,m) ML = m kt m (k) E(ˆθ (k,m) ML θ) = mθ (k,m), Var(ˆθ ML θ) = (m 1) MVU estymator θ jest postaci ˆθ (k,m) MVU = m 1, kt m (k), m 2 θ 2 (m 1) 2 (m 2). E(ˆθ (k,m) MVU θ) = θ, Var(ˆθ (k,m) MVU θ) = θ 2 (m 2).
43 Estymatory parametru rozkładu logistycznego Bayesowskie estymatory dla parametru rozkładu logistycznego Bayesowski estymator względem Sq funkcji straty dla parametru rozkładu logistycznego ma postać ˆθ (k,m) B = m + α β + kt (k). Bayesowski estymator θ BLG względem Sq-log funkcji straty dla parametru θ jest postaci θ (k,m) BLG gdzie ψ(x) = d dx ln Γ(x). m exp(ψ(m + α)) = β + kt m (k),
44 Estymatory parametru rozkładu logistycznego Bayesowski estymator θ BKL względem DKL funkcji straty parametry θ jest rozwiązaniem równania r ( θ (k,m) ) r (k,m) BKL ln θ BKL ( θ (k,m) ) r ( BKL ( r = Γ(m + α + p) Γ(m + α) ( θ + (k,m) ) r BKL ( )) ψ(m + α) ln β + kt m (k) ) r β + kt m (k), pp.
45 Estymatory parametru rozkładu logistycznego Bayesowski estymator θ BKL względem DKL funkcji straty parametry θ jest rozwiązaniem równania r ( θ (k,m) ) r (k,m) BKL ln θ BKL ( θ (k,m) ) r ( BKL ( r = Γ(m + α + p) Γ(m + α) ( θ + (k,m) ) r BKL ( )) ψ(m + α) ln β + kt m (k) ) r β + kt m (k), pp. Bayesowski estymator θ BL względem LINEX funkcji straty dla θ ma formę θ (k,m) BL = 1 ( ) (k) α+m a ln β + kt m β + kt m (k). + a
46 Estymatory parametru rozkładu logistycznego Bayesowski estymator θ BGE względem GE funkcji straty dla θ jest następujący [ BGE = Γ(α + m) Γ(α + m q) θ (k,m) ] 1 q 1 ( β + kt (k) m ).
47 Estymatory parametru rozkładu logistycznego Ilustracja numeryczna Wartość parametru θ = została wygenerowana z rozkładu gamma z parametrami α = 2.0 i β = 2.0. Wartość parametru skali a w LINEX funkcji straty, i wartość q w GE funkcji straty są równe odpowiednio a = 3 i q = 5. DKL funkcję straty bierzemy z r = 2, 3 i 4.
48 Estymatory parametru rozkładu logistycznego TABELA 3. Estymatory θ (k,m), θ (k,m) ML MVU, θ(k,m), θ (k,m) B BLG, θ(k,m) BKL, θ(k,m), θ (k,m) BL BGE, θ = m k θ ML θ MVU θ B θ BLG θ (2) θ (3) θ (4) θ BKL BKL BKL BL θ BGE
49 Estymatory parametru rozkładu logistycznego
50 Estymatory parametru rozkładu logistycznego TABELA 4. MSE estymatorów θ (k,m), θ (k,m) ML MVU, θ(k,m), θ (k,m) B BLG, θ(k,m) BKL, θ(k,m), θ (k,m) BL BGE. m k θ ML θ MVU θ B θ BLG θ (2) θ (3) θ (4) BKL BKL BKL θ BL θ BGE
51 Estymatory parametru rozkładu logistycznego Literatura: Dziubdziela, W. and Kopociński, B. (1976). Limiting properties of the k-th record values. Appl. Math. 15: Dey, D. K., Ghosh, M. and Srinivasan, C. (1987). Simultaneous estimation of parameters under entropy loss. J. Statist. Plann. Infer. 25: Ferguson, T.S (1967). Mathematical Statistics. Academic Press, New York and London, England. Soliman, A. A. (2006). Estimators for finite mixture of Rayleigh model based on progressively censored date. Commun. Statist. Theor. Meth. 32: Varian, H.R. (1975). A Bayesian approach to real estate assessment. Amsterdam: North Holland
52 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
53 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
54 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
55 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
56 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
57 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
58 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
59 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
60 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
61 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
62 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
63 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
64 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
65 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
66 Estymatory parametru rozkładu logistycznego DZIĘKUJĘ ZA UWAGĘ
67 Estymatory parametru rozkładu logistycznego
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie
Bardziej szczegółowoUogolnione modele liniowe
Uogolnione modele liniowe Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Uogolnione modele liniowe grudzien 2013 1 / 17 (generalized linear model - glm) Zakładamy,
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD stycznia 2010
STATYSTYKA MATEMATYCZNA WYKŁAD 14 18 stycznia 2010 Model statystyczny ROZKŁAD DWUMIANOWY ( ) {0, 1,, n}, {P θ, θ (0, 1)}, n ustalone P θ {K = k} = ( ) n θ k (1 θ) n k, k k = 0, 1,, n Geneza: Rozkład Bernoulliego
Bardziej szczegółowoSzacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE. Joanna Sawicka
Szacowanie optymalnego systemu Bonus-Malus przy pomocy Pseudo-MLE Joanna Sawicka Plan prezentacji Model Poissona-Gamma ze składnikiem regresyjnym Konstrukcja optymalnego systemu Bonus- Malus Estymacja
Bardziej szczegółowoMETODY ESTYMACJI PUNKTOWEJ. nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie
METODY ESTYMACJI PUNKTOWEJ X 1,..., X n - próbka z rozkładu P θ, θ Θ, θ jest nieznanym parametrem (lub wektorem parametrów). Przez X będziemy też oznaczać zmienną losową o rozkładzie P θ. Definicja. Estymatorem
Bardziej szczegółowoEstymacja gęstości prawdopodobieństwa metodą selekcji modelu
Estymacja gęstości prawdopodobieństwa metodą selekcji modelu M. Wojtyś Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Wisła, 7 grudnia 2009 Wstęp Próba losowa z rozkładu prawdopodobieństwa
Bardziej szczegółowoEstymatory nieobciążone
Estymatory nieobciążone Zadanie 1. Pobieramy próbkę X 1,..., X n niezależnych obserwacji z rozkładu Poissona o nieznanym parametrze λ. Szacujemy p 0 = e λ za pomocą estymatora ˆp 0 = e X, gdzie X jest
Bardziej szczegółowoSkładki zaufania z zastosowaniem niesymetrycznych funkcji strat
Helena Jasiulewicz Uniwersytet Przyrodniczy we Wrocławiu Instytut Nauk Ekonomicznych i Społecznych Wojciech Kordecki Wyższa Szkoła Handlowa we Wrocławiu Katedra Ekonomi i Rachunkowości Składki zaufania
Bardziej szczegółowoMetoda największej wiarogodności
Wprowadzenie Założenia Logarytm funkcji wiarogodności Metoda Największej Wiarogodności (MNW) jest bardziej uniwersalną niż MNK metodą szacowania wartości nieznanych parametrów Wprowadzenie Założenia Logarytm
Bardziej szczegółowoImputacja brakujacych danych binarnych w modelu autologistycznym 1
Imputacja brakujacych danych binarnych w modelu autologistycznym 1 Marta Zalewska Warszawski Uniwesytet Medyczny Statystyka Matematyczna Wisła, grudzień 2009 1 Współautorzy: Wojciech Niemiro, UMK Toruń
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoAlgorytmy MCMC i ich zastosowania statystyczne
Algorytmy MCMC i ich zastosowania statystyczne Wojciech Niemiro Uniwersytet Mikołaja Kopernika, Toruń i Uniwersytet Warszawski Statystyka Matematyczna Wisła, grudzień 2010 Wykład 1 1 Co to jest MCMC? 2
Bardziej szczegółowoSTATYSTYKA
Wykład 1 20.02.2008r. 1. ROZKŁADY PRAWDOPODOBIEŃSTWA 1.1 Rozkład dwumianowy Rozkład dwumianowy, 0 1 Uwaga: 1, rozkład zero jedynkowy. 1 ; 1,2,, Fakt: Niech,, będą niezależnymi zmiennymi losowymi o jednakowym
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 Metody estymacji. Estymator największej wiarygodności Zad. 1 Pojawianie się spamu opisane jest zmienną losową y o rozkładzie zero-jedynkowym
Bardziej szczegółowoOdporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne
Odporność statystyk według Ryszarda Zielińskiego a porządki stochastyczne Jarosław Bartoszewicz Uniwersytet Wrocławski Zieliński (1977) wprowadził następującą definicję odporności statystycznej. M 0 =
Bardziej szczegółowoDefinicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego
Rozdział 1 Statystyki Definicja 1 Statystyką nazywamy (mierzalną) funkcję obserwowalnego wektora losowego X = (X 1,..., X n ). Uwaga 1 Statystyka jako funkcja wektora zmiennych losowych jest zmienną losową
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIII, 30.05.06 STATYSTYKA BAYESOWSKA Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoEstymatory kwantylowe i estymacja kwantyli
Tomasz Rychlik Instytut Matematyczny PAN Chopina 12, 87 100 Toruń e-mail: trychlik@impan.gov.pl XXXVIII Konferencja Statystyka Matematyczna Sesja poświȩcona pamiȩci prof. Ryszarda Zielińskiego Wisła, 3
Bardziej szczegółowoREGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój
1 REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój 2 DOTYCHCZASOWE MODELE Regresja liniowa o postaci: y
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoStatystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012
Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Wykład 7
Stanisław Cichocki Natalia Nehrebecka Wykład 7 1 1. Metoda Największej Wiarygodności MNW 2. Założenia MNW 3. Własności estymatorów MNW 4. Testowanie hipotez w MNW 2 1. Metoda Największej Wiarygodności
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 9 i 10 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 9 i 10 1 / 30 TESTOWANIE HIPOTEZ STATYSTYCZNYCH
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 2 autorzy: A. Gonczarek, J.M. Tomczak Metody estymacji ML Zad. 1 Pojawianie się spamu opisane jest zmienną losową x o rozkładzie dwupunktowym
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 7 i 8 - Efektywność estymatorów, przedziały ufności Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 7 i 8 1 / 9 EFEKTYWNOŚĆ ESTYMATORÓW, próba
Bardziej szczegółowo6 Metody konstruowania estymatorów
Marek Beśka, Statystyka matematyczna, wykład 6 74 6 Metody konstruowania estymatorów 6.1 Metoda momentów Niech (X, B, P) będzie przestrzenią statystyczną, gdzie P = {µ θ } θ Θ, (Θ IR) jest rodziną rozkładów
Bardziej szczegółowoStatystyka Matematyczna Anna Janicka
Statystyka Matematycza Aa Jaicka wykład XIV, 06.06.06 STATYSTYKA BAYESOWSKA CD. Pla a dzisiaj. Statystyka Bayesowska rozkłady a priori i a posteriori estymacja Bayesowska: Bayesowski Estymator Największej
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 27.04.2018 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 2017/2018 Metoda największej wiarygodności ierównosć informacyjna
Bardziej szczegółowo1.1 Statystyka matematyczna Literatura Model statystyczny Preliminaria... 3
Spis treści Spis treści 1 Wstęp 1 1.1 Statystyka matematyczna...................... 1 1.2 Literatura.............................. 1 1.3 Model statystyczny......................... 2 1.4 Preliminaria.............................
Bardziej szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
Bardziej szczegółowoModele DSGE. Jerzy Mycielski. Maj Jerzy Mycielski () Modele DSGE Maj / 11
Modele DSGE Jerzy Mycielski Maj 2008 Jerzy Mycielski () Modele DSGE Maj 2008 1 / 11 Modele DSGE DSGE - Dynamiczne, stochastyczne modele równowagi ogólnej (Dynamic Stochastic General Equilibrium Model)
Bardziej szczegółowoWstęp do Rachunku Prawdopodobieństwa, IIr. WMS
Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowo2. Empiryczna wersja klasyfikatora bayesowskiego
Algorytmy rozpoznawania obrazów 2. Empiryczna wersja klasyfikatora bayesowskiego dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Brak pełnej informacji probabilistycznej Klasyfikator bayesowski
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 7.04.09 dr inż. Łukasz Graczykowski lukasz.graczykowski@pw.edu.pl Semestr letni 08/09 Metoda największej wiarygodności ierównosć informacyjna Metoda
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1 Konrad Miziński, nr albumu 233703 1 maja 2015 Zadanie 1 Parametr λ wyestymowano jako średnia z próby: λ = X n = 3.73 Otrzymany w
Bardziej szczegółowoSPOTKANIE 3: Regresja: Regresja liniowa
Wrocław University of Technology SPOTKANIE 3: Regresja: Regresja liniowa Adam Gonczarek Studenckie Koło Naukowe Estymator adam.gonczarek@pwr.wroc.pl 22.11.2013 Rozkład normalny Rozkład normalny (ang. normal
Bardziej szczegółowoMetoda najmniejszych kwadratów
Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K
Bardziej szczegółowoAgata Boratyńska Statystyka aktuarialna... 1
Agata Boratyńska Statystyka aktuarialna... 1 ZADANIA NA ĆWICZENIA Z TEORII WIAROGODNOŚCI Zad. 1. Niech X 1, X 2,..., X n będą niezależnymi zmiennymi losowymi z rozkładu wykładniczego o wartości oczekiwanej
Bardziej szczegółowoTestowanie hipotez statystycznych.
Bioinformatyka Wykład 9 Wrocław, 5 grudnia 2011 Temat. Test zgodności χ 2 Pearsona. Statystyka χ 2 Pearsona Rozpatrzmy ciąg niezależnych zmiennych losowych X 1,..., X n o jednakowym dyskretnym rozkładzie
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoWYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa
WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna
Bardziej szczegółowoWprowadzenie. { 1, jeżeli ˆr(x) > 0, pozatym. Regresja liniowa Regresja logistyczne Jądrowe estymatory gęstości. Metody regresyjne
Wprowadzenie Prostym podejściem do klasyfikacji jest estymacja funkcji regresji r(x) =E(Y X =x)zpominięciemestymacjigęstościf k. Zacznijmyodprzypadkudwóchgrup,tj.gdy Y = {1,0}. Wówczasr(x) =P(Y =1 X =x)ipouzyskaniuestymatora
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 5 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
Bardziej szczegółowoWeryfikacja hipotez statystycznych
Weryfikacja hipotez statystycznych Przykład (wstępny). Producent twierdzi, że wadliwość produkcji wynosi 5%. My podejrzewamy, że rzeczywista wadliwość produkcji wynosi 15%. Pobieramy próbę stuelementową
Bardziej szczegółowo... i statystyka testowa przyjmuje wartość..., zatem ODRZUCAMY /NIE MA POD- STAW DO ODRZUCENIA HIPOTEZY H 0 (właściwe podkreślić).
Egzamin ze Statystyki Matematycznej, WNE UW, wrzesień 016, zestaw B Odpowiedzi i szkice rozwiązań 1. Zbadano koszt 7 noclegów dla 4-osobowej rodziny (kwatery) nad morzem w sezonie letnim 014 i 015. Wylosowano
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadanie. Niech (X, Y) ) będzie dwuwymiarową zmienną losową, o wartości oczekiwanej (μ, μ, wariancji każdej ze współrzędnych równej σ oraz kowariancji równej X Y ρσ. Staramy się obserwować niezależne realizacje
Bardziej szczegółowoZawansowane modele wyborów dyskretnych
Zawansowane modele wyborów dyskretnych Jerzy Mycielski Uniwersytet Warszawski grudzien 2013 Jerzy Mycielski (Uniwersytet Warszawski) Zawansowane modele wyborów dyskretnych grudzien 2013 1 / 16 Model efektów
Bardziej szczegółowoMetoda największej wiarygodności
Metoda największej wiarygodności Próbki w obecności tła Funkcja wiarygodności Iloraz wiarygodności Pomiary o różnej dokładności Obciążenie Informacja z próby i nierówność informacyjna Wariancja minimalna
Bardziej szczegółowoPRZEDZIAŁ UFNOŚCI DLA FRAKCJI. Ryszard Zieliński. XXXVIII Konferencja Zastosowań Matematyki Zakopane Kościelisko 8-15 września 2009
Ryszard Zieliński XXXVIII Ogólnopolska Konferencja Zastosowań Matematyki Zakopane Kościelisko 8-15 września 2009 ESTYMACJA FRAKCJI W populacji składającej się z N elementów jest nieznana liczba M elementów
Bardziej szczegółowoJądrowe klasyfikatory liniowe
Jądrowe klasyfikatory liniowe Waldemar Wołyński Wydział Matematyki i Informatyki UAM Poznań Wisła, 9 grudnia 2009 Waldemar Wołyński () Jądrowe klasyfikatory liniowe Wisła, 9 grudnia 2009 1 / 19 Zagadnienie
Bardziej szczegółowoRozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów
Rozdział : Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów W tym rozdziale omówione zostaną dwie najpopularniejsze metody estymacji parametrów w ekonometrycznych modelach nieliniowych,
Bardziej szczegółowoParametr Λ w populacji ubezpieczonych ma rozkład dany na półosi dodatniej gęstością: 3 f
Zadanie. W kolejnych latach t =,,,... ubezpieczony charakteryzujący się parametrem ryzyka Λ generuje N t szkód. Dla danego Λ = λ zmienne N, N, N,... są warunkowo niezależne i mają (brzegowe) rozkłady Poissona:
Bardziej szczegółowoFunkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju
Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoNumeryczne aproksymacje prawdopodobieństwa ruiny
Numeryczne aproksymacje prawdopodobieństwa ruiny Krzysztof Burnecki Aleksander Weron Centrum Metod Stochastycznych im. Hugona Steinhausa Instytut Matematyki i Informatyki Politechnika Wrocławska www.im.pwr.wroc.pl/
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoTestowanie hipotez statystycznych.
Statystyka Wykład 10 Wrocław, 22 grudnia 2011 Testowanie hipotez statystycznych Definicja. Hipotezą statystyczną nazywamy stwierdzenie dotyczące parametrów populacji. Definicja. Dwie komplementarne w problemie
Bardziej szczegółowoDyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej
Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem
Bardziej szczegółowoWłasności estymatorów regresji porządkowej z karą LASSO
Własności estymatorów regresji porządkowej z karą LASSO Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Warszawski Badania sfinansowane ze środków Narodowego Centrum Nauki przyznanych w ramach finansowania
Bardziej szczegółowoWiększość zadań zamieszczonych na tej liście pochodzi z książki Modele i metody statystyki matematycznej w zadaniach, autorstwa Alicji Jokiel-Rokity
Większość zadań zamieszczonych na tej liście pochodzi z książki Modele i metody statystyki matematycznej w zadaniach, autorstwa Alicji Jokiel-Rokity i Ryszarda Magiery. W tym zbiorze można również znaleźć
Bardziej szczegółowoStatystyka aktuarialna i teoria ryzyka, rozkłady szkód
Statystyka aktuarialna i teoria ryzyka, rozkłady szkód Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 7 1 / 16 ROZKŁADY WARTOŚCI SZKÓD Podstawowe własności: rozkłady skupione na dodatniej
Bardziej szczegółowoLista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie
Lista zadania nr 7 Metody probabilistyczne i statystyka studia I stopnia informatyka (rok 2) Wydziału Ekonomiczno-Informatycznego Filia UwB w Wilnie Jarosław Kotowicz Instytut Matematyki Uniwersytet w
Bardziej szczegółowoUPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA. Piotr Nowak Uniwersytet Wrocławski
UPORZĄDKOWANIE STOCHASTYCZNE ESTYMATORÓW ŚREDNIEGO CZASU ŻYCIA Piotr Nowak Uniwersytet Wrocławski Wprowadzenie X = (X 1,..., X n ) próba z rozkładu wykładniczego Ex(θ). f (x; θ) = 1 θ e x/θ, x > 0, θ >
Bardziej szczegółowoStatystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone
Statystyka aktuarialna i teoria ryzyka, model indywidualny i zespołowy, rozkłady złożone Agata Boratyńska SGH, Warszawa Agata Boratyńska (SGH) SAiTR wykład 3 i 4 1 / 25 MODEL RYZYKA INDYWIDUALNEGO X wielkość
Bardziej szczegółowoWykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap
Wykład 1 Próba i populacja. Estymacja parametrów z wykorzystaniem metody bootstrap Magdalena Frąszczak Wrocław, 21.02.2018r Tematyka Wykładów: Próba i populacja. Estymacja parametrów z wykorzystaniem metody
Bardziej szczegółowoO ŚREDNIEJ STATYSTYCZNEJ
Od średniej w modelu gaussowskim do kwantyli w podstawowym modelu nieparametrycznym IMPAN 1.X.2009 Rozszerzona wersja wykładu: O ŚREDNIEJ STATYSTYCZNEJ Ryszard Zieliński XII Międzynarodowe Warsztaty dla
Bardziej szczegółowo5. Analiza dyskryminacyjna: FLD, LDA, QDA
Algorytmy rozpoznawania obrazów 5. Analiza dyskryminacyjna: FLD, LDA, QDA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Liniowe funkcje dyskryminacyjne Liniowe funkcje dyskryminacyjne mają ogólną
Bardziej szczegółowoWYKŁAD 2 i 3. Podstawowe pojęcia związane z prawdopodobieństwem. Podstawy teoretyczne. autor: Maciej Zięba. Politechnika Wrocławska
Wrocław University of Technology WYKŁAD 2 i 3 Podstawowe pojęcia związane z prawdopodobieństwem. Podstawy teoretyczne autor: Maciej Zięba Politechnika Wrocławska Pojęcie prawdopodobieństwa Prawdopodobieństwo
Bardziej szczegółowoWstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak
Wstęp do Metod Systemowych i Decyzyjnych Opracowanie: Jakub Tomczak 1 Wprowadzenie. Zmienne losowe Podczas kursu interesować nas będzie wnioskowanie o rozpatrywanym zjawisku. Poprzez wnioskowanie rozumiemy
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 9 22.04.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Semestr letni 2015/2016 Próby z odliczaniem. Próbki Metoda największej wiarygodności ierównosć
Bardziej szczegółowoSPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization
Wrocław University of Technology SPOTKANIE 6: Klasteryzacja: K-Means, Expectation Maximization Jakub M. Tomczak Studenckie Koło Naukowe Estymator jakub.tomczak@pwr.wroc.pl 4.1.213 Klasteryzacja Zmienne
Bardziej szczegółowoStatystyczna analiza danych (molekularnych) estymacja bayesowska i MLE
Statystyczna analiza danych (molekularnych) estymacja bayesowska i MLE Anna Gambin 0 kwietnia 01 Spis treści 1 Estymacja bayesowska 1 Paradoks więźnia.1 Rozkład a priori.................................
Bardziej szczegółowoTestowanie hipotez statystycznych. Wprowadzenie
Wrocław University of Technology Testowanie hipotez statystycznych. Wprowadzenie Jakub Tomczak Politechnika Wrocławska jakub.tomczak@pwr.edu.pl 10.04.2014 Pojęcia wstępne Populacja (statystyczna) zbiór,
Bardziej szczegółowoMatematyka z el. statystyki, # 6 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Głęboka 28, bud. CIW, p. 221 e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA
ESTYMACJA BŁĘDU PREDYKCJI I JEJ ZASTOSOWANIA Jan Mielniczuk Wisła, grudzień 2009 PLAN Błędy predykcji i ich podstawowe estymatory Estymacja błędu predykcji w modelu liniowym. Funkcje kryterialne Własności
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoHipotezy proste. (1 + a)x a, dla 0 < x < 1, 0, poza tym.
Hipotezy proste Zadanie 1. Niech X ma funkcję gęstości f a (x) = (1 + a)x a, dla 0 < x < 1, Testujemy H 0 : a = 1 przeciwko H 1 : a = 2. Dysponujemy pojedynczą obserwacją X. Wyznaczyć obszar krytyczny
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 19 października 2016r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka
Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk
Bardziej szczegółowoWykład 3 Momenty zmiennych losowych.
Wykład 3 Momenty zmiennych losowych. Wrocław, 18 października 2017r Momenty zmiennych losowych Wartość oczekiwana - przypomnienie Definicja 3.1: 1 Niech X będzie daną zmienną losową. Jeżeli X jest zmienną
Bardziej szczegółowoModele uporządkowań zmiennych losowych w charakteryzacjach rozkładów prawdopodobieństwa, estymacji i miarach zależności.
Piotr Pawlas Wykaz opublikowanych prac naukowych lub twórczych prac zawodowych oraz informacja o osiągnięciach dydaktycznych, współpracy naukowej i popularyzacji nauki I. Wykaz publikacji stanowiących
Bardziej szczegółowo2.1 Przykład wstępny Określenie i konstrukcja Model dwupunktowy Model gaussowski... 7
Spis treści Spis treści 1 Przedziały ufności 1 1.1 Przykład wstępny.......................... 1 1.2 Określenie i konstrukcja...................... 3 1.3 Model dwupunktowy........................ 5 1.4
Bardziej szczegółowoAnaliza przeżycia. Wprowadzenie
Wprowadzenie Przedmiotem badania analizy przeżycia jest czas jaki upływa od początku obserwacji do wystąpienia określonego zdarzenia, które jednoznacznie kończy obserwację na danej jednostce. Analiza przeżycia
Bardziej szczegółowoWłasności porządkowe w modelu proporcjonalnych szans
Własności porządkowe w modelu proporcjonalnych szans Wisła, 8 grudnia 2009 Oznaczenia Wprowadzenie Oznaczenia Porządki stochastyczne Klasy rozkładów czasu życia X F, Y G zmienne losowe o gęstościach f
Bardziej szczegółowoEstymatory regresji rangowej oparte na metodzie LASSO
Estymatory regresji rangowej oparte na metodzie LASSO Wojciech Rejchel UMK Toruń Wisła 2013 Z = (X, Y ), Z = (X, Y ) - niezależne wektory losowe o tym samym rozkładzie P X, X X R m, Y, Y R Z = (X, Y ),
Bardziej szczegółowoZadanie 1. są niezależne i mają rozkład z atomami: ( ),
Zadanie. Zmienne losowe są niezależne i mają rozkład z atomami: ( ) ( ) i gęstością: ( ) na przedziale ( ). Wobec tego ( ) wynosi: (A) 0.2295 (B) 0.2403 (C) 0.2457 (D) 0.25 (E) 0.269 Zadanie 2. Niech:
Bardziej szczegółowoZadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =
Matematyka ubezpieczeń majątkowych 0.0.006 r. Zadanie. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k 5 Pr( N = k) =, k = 0,,,... 6 6 Wartości kolejnych szkód Y, Y,, są i.i.d.,
Bardziej szczegółowoWykład 5 Estymatory nieobciążone z jednostajnie minimalną war
Wykład 5 Estymatory nieobciążone z jednostajnie minimalną wariancją Wrocław, 25 października 2017r Statystyki próbkowe - Przypomnienie Niech X = (X 1, X 2,... X n ) będzie n elementowym wektorem losowym.
Bardziej szczegółowoEstymacja parametrów rozkładu cechy
Estymacja parametrów rozkładu cechy Estymujemy parametr θ rozkładu cechy X Próba: X 1, X 2,..., X n Estymator punktowy jest funkcją próby ˆθ = ˆθX 1, X 2,..., X n przybliżającą wartość parametru θ Przedział
Bardziej szczegółowoMatematyka z el. statystyki, # 3 /Geodezja i kartografia II/
Matematyka z el. statystyki, # 3 /Geodezja i kartografia II/ Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a bud. Agro II, e-mail: zdzislaw.otachel@up.lublin.pl
Bardziej szczegółowoW4 Eksperyment niezawodnościowy
W4 Eksperyment niezawodnościowy Henryk Maciejewski Jacek Jarnicki Jarosław Sugier www.zsk.iiar.pwr.edu.pl Badania niezawodnościowe i analiza statystyczna wyników 1. Co to są badania niezawodnościowe i
Bardziej szczegółowoNa A (n) rozważamy rozkład P (n) , który na zbiorach postaci A 1... A n określa się jako P (n) (X n, A (n), P (n)
MODELE STATYSTYCZNE Punktem wyjścia w rozumowaniu statystycznym jest zmienna losowa (cecha) X i jej obserwacje opisujące wyniki doświadczeń bądź pomiarów. Zbiór wartości zmiennej losowej X (zbiór wartości
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r.
Zadanie. W pewnej populacji kierowców każdego jej członka charakteryzują trzy zmienne: K liczba przejeżdżanych kilometrów (w tysiącach rocznie) NP liczba szkód w ciągu roku, w których kierowca jest stroną
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoNotatki z Analizy Matematycznej 3. Jacek M. Jędrzejewski
Notatki z Analizy Matematycznej 3 Jacek M. Jędrzejewski ROZDZIAŁ 6 Różniczkowanie funkcji rzeczywistej 1. Pocodna funkcji W tym rozdziale rozważać będziemy funkcje rzeczywiste określone w pewnym przedziale
Bardziej szczegółowoEstymatory nieobciążone o minimalnej wariancji
Estymatory ieobciążoe o miimalej wariacji Model statystyczy (X, {P θ, θ Θ}); g : Θ R 1 Zadaie: oszacować iezaą wartość g(θ) Wybrać takie δ(x 1, X 2,, X ) by ( θ Θ) ieobciążoość E θ δ(x 1, X 2,, X ) = g(θ)
Bardziej szczegółowoWYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych
WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 11 i 12 - Weryfikacja hipotez statystycznych Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 11 i 12 1 / 41 TESTOWANIE HIPOTEZ - PORÓWNANIE
Bardziej szczegółowo