Diğer Dağıtımlar ve Uzantılarla İlişkiler – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma

0 (312) 276 75 93 @ İletişim İçin Mail Gönderin bestessayhomework@gmail.com - 7/24 hizmet vermekteyiz... @@@ Süreli, online, quiz türü sınavlarda yardımcı olmuyoruz. Teklif etmeyin. - Ödev Yaptırma, Proje Yaptırma, Tez Yaptırma, Makale Yaptırma, Essay Yaptırma, Literatür Taraması Yaptırma, Vaka İncelemesi Yaptırma, Research Paper Yaptırma, Akademik Makale Yaptırma, İntihal Oranı Düşürme, İstatistik Ödev Yaptırma, İstatistik Proje Yaptırma, İstatistik Tez Yaptırma, İstatistik Makale Yaptırma, İstatistik Essay Yaptırma, Edebiyat Ödev Yaptırma, Edebiyat Proje Yaptırma, Edebiyat Tez Yaptırma, İngilizce Ödev Yaptırma, İngilizce Proje Yaptırma, İngilizce Tez Yaptırma, İngilizce Makale Yaptırma, Her Dilde Ödev Yaptırma, Hukuk Ödev Yaptırma, Hukuk Proje Yaptırma, Hukuk Tez Yaptırma, Hukuk Makale Yaptırma, Hukuk Essay Yaptırma, Hukuk Soru Çözümü Yaptırma, Psikoloji Ödev Yaptırma, Psikoloji Proje Yaptırma, Psikoloji Tez Yaptırma, Psikoloji Makale Yaptırma, İnşaat Ödev Yaptırma, İnşaat Proje Yaptırma, İnşaat Tez Yaptırma, İnşaat Çizim Yaptırma, Matlab Yaptırma, Spss Yaptırma, Spss Analizi Yaptırmak İstiyorum, Ücretli Spss Analizi, İstatistik Ücretleri, Spss Nedir, Spss Danışmanlık, İstatistik Hizmeti, Spss Analizi ve Sonuçların Yorumlanması, Spss Ücretleri, Tez Yazdırma, Ödev Danışmanlığı, Ücretli Ödev Yaptırma, Endüstri Mühendisliği Ödev Yaptırma, Tez Yazdırma, Matlab Ödev Yaptırma, Tez Danışmanlığı, Makale Danışmanlığı, Dış Ticaret ödev YAPTIRMA, Makale YAZDIRMA siteleri, Parayla makale YAZDIRMA, Seo makale fiyatları, Sayfa başı yazı yazma ücreti, İngilizce makale yazdırma, Akademik makale YAZDIRMA, Makale Fiyatları 2022, Makale yazma, Blog Yazdırma, Blog Yazdırmak İstiyorum

 Diğer Dağıtımlar ve Uzantılarla İlişkiler – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma

29 Ocak 2021  İstatistiksel Veri Analizi Doğrudan dağıtım Dolaylı dağıtım nedir Sınırlı Dağıtım Nedir Yaygın Dağıtım Nedir Yoğun dağıtım politikası 0
Seçim – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma

Genelleştirilmiş Üç Parametreli Beta Dağılımı

Genelleştirilmiş üç parametreli beta dağılımı pdf’ye sahiptir, burada B {a, b) = r {a) T {b) / T {a + b) beta işlevini temsil eder. Pdf (6.1) ile rastgele değişkeni hy X rsj gB {a, b, X) olarak gösteriyoruz. A = 1 olduğunda, (6.1) standart beta dağılımına indirgenir. X ~ GB {a ^ 6, A) ise 1 – X ~ ^) B (6, a, A ~ ^), standart beta dağıtımıyla paylaşılan bir özelliktir. Cdf, tamamlanmamış beta işlevi cinsinden ifade edilebilir. A = 1 olduğunda, (6.1) olur.

Genelleştirilmiş üç parametreli beta dağılımı, Xi / (Xi + X2) oranının dağılımıdır; burada Xi ~ Q {a, Ai) ve X2 ~ G {b, X2) bağımsız gama değişkenleridir ve burada A = A1 / A2. Alternatif olarak, standart bir beta dağıtımından (6.1) elde edebiliriz; eğer Z ~ B {a, b) olursa geçerlidir.

Libby ve Novick (1982), bu dağılımları çok değişkenli bir ortamda inceledi ve bunları araç fonksiyonlarını uydurmak için kullandı. Chen ve Novick (1984), bunları iki terimli örnekleme modelleri için öncül olarak kullandı. (6.1) ‘in k’inci anıdır.

burada (a) o = 1 ve {a) n — a {a + 1) ••• (a + n- 1) = r (a + n) / r (a), n> 1, Pochammer katsayısı olarak adlandırılır . Pham-Gia ve Duong (1989) ve Johnson, Kotz ve Balakrishnan’a (1995) göre, A parametresinin varlığı, QB’nin standart beta dağılımından daha geniş çeşitli şekiller almasına izin verir.

Örneğin, bir QB {a, a. A) Rastgele değişken, sırasıyla A> 1 veya A <1’e göre pozitif veya negatif olarak çarpıtılabilir. Basıklık katsayısı ile ilişkili olarak, basıklığın normal dağılımın basıklığından daha küçük olduğu bir A bölgesi vardır ve diğer A değerleri için basıklık normal bir dağılımın basıklığından daha büyüktür.

Yaygın Dağıtım Nedir
Dağıtım kanalları Nelerdir
Yoğun dağıtım politikası
Sınırlı Dağıtım Nedir
Dolaylı dağıtım nedir
Pasif dağıtım nedir
Doğrudan dağıtım
Dağıtım stratejileri

 Diğer Dağıtımlar ve Uzantılarla İlişkiler

Genelleştirilmiş üç parametreli beta rastgele değişkeni, basit dönüşümler aracılığıyla iyi bilinen olasılık dağılımları ile ilişkilendirilebilir. Bu sonuçlar sonraki bölümlerde uygulanacaktır. Rastgele bir değişken Z ~ QB (a ^ 6, A) olduğunu düşünüyoruz. Monoton dönüşüm X – Z / {1 – Z) pdf ile rastgele değişkene götürür.

Bu dağılım, ölçek parametresi A ile bazen ikinci tür beta dağılımı veya beta-üssü dağılım olarak adlandırılan Pearson tip VI dağılımına karşılık gelir; Stuart ve Ord (1987, Bölüm 6) ve Johnson, Kotz ve Balakrish-nan (1995, Bölüm 27). Pdf (6.6) içeren rastgele bir değişken X ^ B2 {a, 6, A) ile gösterilecektir. Şimdi, X = log (Z) —log (l — Z) dönüşümünü ele alırsak, pdf elde ederiz.

(6.7) ‘ye göre dağıtılır, yani bir konum parametresi [Fisher (1924)] ile bir F dağılımının logu. Bu dağılım Balakrishnan (1992) tarafından tip III genelleştirilmiş lojistik dağılım olarak adlandırılır. Bu dağıtım yakın zamanda Jones (2004) tarafından farklı bir şekilde tanıtılmıştır.

(6.1) ‘in doğal bir uzantısı Gauss hipergeometrik dağılımıdır. Bu dağılım, Armero ve Bayarri (1994) tarafından bir kuyruk teorisi bağlamında ele alınmış ve olasılık yoğunluk fonksiyonu, normalleştirme sabitinin olduğu yere göre verilmiştir;

  • n {a, 6, c, A) – ^ = B {a, b) 2Fi (a, c; a + 6; 1- A). (6.9)

X ~ QH {a ^ b, c, \) olarak gösterilecektir. Gauss hipergeometrik dağılımı, c == 0 veya A = 1 olduğunda klasik beta dağılımına, c = a + 6 olduğunda veya A ^^ 0 olduğunda 6> c olduğunda genelleştirilmiş beta dağılımına düşer. A = b = 1 ise, cdf’ye sahibiz.

Ek bir parametreye sahip olduğu için, veri uydurma için daha iyi bir esnekliğe sahiptir ve ilk dört anı eşleştirmek mümkündür. Öte yandan, iki terimli durum, geometrik durum ve negatif iki terimli dahil olmak üzere birkaç olasılık için eşlenik bir önceki dağılımdır.

 Genelleştirilmiş Üç Parametreli Beta Marjlı Modeller

Bu bölümde, marjinal dağılımları genelleştirilmiş üç parametreli beta tipinde olan dağılımları öneriyoruz. Genelleştirilmiş üç parametreli beta, monoton dönüşüm (6.4) ile klasik beta dağılımı ile ilişkili olduğundan, marjinal dağılımları klasik beta tipinde olan dağılım modellerini kullanacağız.

Dirichlet Dağıtımına Dayalı Model

(Zi, Z2) için bir Dirichlet dağılımı ile başlıyoruz. İlk model, 3 (91,63,63) = U ^ i6i) / T {^ 6i) olmak üzere zi + Z2 <1, 21, ^ 2> 0 kümesinde tanımlanan aşağıdaki stokastik gösterime sahiptir. Modelin (6.10) – (6.11) ‘deki özellikleri Dirichlet dağılımının özellikleri kullanılarak türetilebilir. Ortak olasılık yoğunluğu fonksiyonu ile verilir.

(6.10) ‘un marjinal dağılımları;

  • X – GB {9ue2 + e3, Xi),
  • Y – GB {92, ei + e ^, \ 2),

Dirichlet davasıyla kolay karşılaştırma amacıyla bu şekilde yazılmıştır. A ^ == 1 ise, i – 1,2, f {x \ y) ve f {y \ x) ölçek beta dağılımlarıdır. Dirichlet dağılımının negatif korelasyona sahip olduğundan ve (6.10) ‘daki marjinal dönüşümlerin her ikisi de monoton olduğundan, yeni modeldeki korelasyonların da negatif olduğunu unutmayın. Şekil 6.1, birleşik pdf’yi, kontur grafiğini ve pozitif çarpıklıkla marjinal dağılımları göstermektedir. Grafik, negatif bir korelasyon katsayısını göstermektedir.

Sarmanov-Lee Dağılımına Dayalı Model

Fi {x) ve / 2 (y) Ai ^ destekli tek değişkenli pdf olsun ve (l) i {z) sabit olmayan fonksiyonlarla sınırlı olsun ki

  • (t> i {z) fi {z) dz = 0, 1 = 1,2.

Sarmanov (1966) aşağıdaki iki değişkenli pdf’yi verilen marjinallerle tanımladı ve 

  • (x, y) = / i (x) / 2 (y) {l + wMx))}.

nerede; 1 + w (j) i {x) (j) 2 {y)> 0, V (x, y) olacak şekilde gerçek bir sayıdır. Lee (1996) bu ailenin bazı özelliklerini inceledi ve çok değişkenli bir versiyon önerdi. Bizim durumumuzda, / i ve / 2 genelleştirilmiş üç parametreli beta dağıtım tipindedir. Formül (6.13) ‘ü belirtmek için, bu tür marjinaller için 0i (x) karıştırma fonksiyonlarını belirlememiz ve w ile karşılanması gereken kısıtlamaları bilmemiz gerekir. Bu durumda Ai C [0,1] kullanmak mümkündür.

Lee’nin (1996) Sonuç 1. Sonuç olarak, iki değişkenli dağılımı öneriyoruz:

  • f {x, y; a, 6, A, w) = fi {x; ai, 6i, Ai) / 2 (y; a2,62, A2) {1 + tt; 0i (x) 02 (y)}, (6.14)

Sırasıyla X ve Y’nin matematiksel beklentilerini temsil eder. Bu modelin çeşitli özellikleri Lee (1996) tarafından incelenmiştir. Örneğin, y’nin X üzerindeki regresyonu doğrusaldır ve şu şekilde verilir:

  • E {Y \ X = x) = fjL2 + WV2 {X – IJL \),

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak.