Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – (2) – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

0 (312) 276 75 93 @ İletişim İçin Whatsapp Mesajı + 90 542 371 29 52 - 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

1 Star2 Stars3 Stars4 Stars5 Stars (1 Kişi oy verdi, 5 üzerinden ortalama puan: 5,00. Bu yazıya oy vermek ister misiniz?)
Loading...

Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – (2) – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

17 Ekim 2020 1.2.1 Kantil-kuantil Grafikleri Basit Bir Uç Değer Problemi Extremes (Uç-Aşırı Değerler) İstatistikleri - Aşırılık İstatistikleri – (2) – Aşırılık İstatistiği Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma NEDEN AŞIRI DEĞER TEORİSİ? Ödevcim Akademik Veri Analizi için Grafik Araçlar 0
Extremes (Uç-Aşırı Değerler) İstatistikleri - Aşırılık İstatistikleri – (2) – Aşırılık İstatistiği Nedir – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

 

On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Genel İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Aşırılık İstatistiği Nedir?, Aşırılık İstatistikleri aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz, raporlarınız ve projeleriniz ile ilgili destek alabilirsiniz.


NEDEN AŞIRI DEĞER TEORİSİ?

1.1 Basit Bir Uç Değer Problemi

İstatistiksel bir dağılımda belirli ölçülere ilişkin bilgileri elde etmek için birçok istatistiksel araç mevcuttur. Bu ders kitabında, bir veri setinin aşırı değerlerinin davranışına odaklanıyoruz. Verilerin bir X1, X2, örneğinin gerçekleşmeleri olduğunu varsayalım. .Xn n bağımsız ve aynı şekilde dağıtılmış rasgele değişken. Sıralı veriler daha sonra X1, n ≤ ··· ≤Xn, n ile gösterilecektir. Örnek veriler tipik olarak dağıtım işlevi hakkındaki özellikleri incelemek için kullanılır.

  • F (x) = P (X ≤ x),

veya ters fonksiyonu hakkında, kuantil fonksiyon olarak tanımlanır;

  • S (p): = inf {x: F (x) ≥ p}.

Şekil 1.1’de gösterilen Albuquerque kentindeki günlük maksimum rüzgar hızı verilerini incelemek istediğimizi varsayalım (Beirlant ve diğerleri (1996a)). Klasik teoride, kişi genellikle ortalama veya ortalamanın davranışıyla ilgilenir. Bu ortalama daha sonra dağılımın beklenen değeri E (X) ile açıklanacaktır. Büyük sayılar yasasına dayanarak, örnek ortalama X ̄, E (X) ‘in tutarlı bir tahmin edicisi olarak kullanılır. Ayrıca, merkezi sınır teoremi, örnek ortalamanın asimptotik davranışını verir.

Bu sonuç, örnek boyutunun yeterince büyük olması durumunda E (X) için bir güven aralığı sağlamak için kullanılabilir; bu, merkezi limit teoremini çağırırken gerekli bir koşuldur. Albuquerque rüzgar hızı verileri için, bu teknikler saatte 21.65 millik ortalama maksimum günlük rüzgar hızına yol açarken (21.4-21.9), klasik teoriye göre E (X) için% 95 güven aralığıdır.

Şekil 1.1 (a) Kutu grafiği ve (b) Albuquerque şehrinde günlük maksimum rüzgar hızı verilerinin ampirik dağılım işlevi.

Rüzgar hızları söz konusu olduğunda, kuyruk olasılıklarını tahmin etmek de aynı derecede önemli olabilir. Rüzgar hızı saatte 30 milden fazla ise bir hangarın bozulduğunu varsayalım, o zaman kuyruk olasılığını p = P (X> 30) tahmin etmek ilginçtir. Bu amaçla, şu şekilde tanımlanan ampirik dağılım işlevi kullanılabilir:

  • Fˆn (x) = i eğer x ∈ [xi, n, xi + 1, n) n

burada xi, n i’ninci sıralı örnek değerdir. Albuquerque verileri için bu, t o pˆ = 1 – Fˆ n (3 0) = 0’a yol açar. 18.
Ancak, bu hususlara bazı kritik açıklamalar eklemeliyiz. Ya ikinci an E (X2) veya hatta ortalama E (X) sonlu değilse? O zaman merkezi limit teoremi uygulanmaz ve normal dağılımın hakim olduğu klasik teori artık geçerli değildir. Ya da, p = P (X> x) tahmin etmek isterse, burada x> xn, n ve yukarıda tanımlanan p tahmini 0 değerini verirse, kulübeyle ilgili bu tür sorular önemlidir, çünkü aşırı rüzgar hızlarının neden olduğu hasar önemli, hatta felaket olabilir. Açıkçası, bu tür x değerlerinin imkansız olduğunu varsayamayız. Bununla birlikte, deneysel dağılım işlevine dayalı geleneksel teknik, bu tür sorularla ilgili herhangi bir yararlı bilgi sağlamaz. Ampirik kuantil fonksiyonu açısından kullanılan;

  • Qˆ n (p): = inf {x: Fˆn (x) ≥ p},

P <1n ile Qˆ n (1 – p) ‘yi yüksek nicelikler olarak düşündüğümüzde problemler ortaya çıkar. Bu gözlemler, bir numunenin uç değerlerine, son derece yüksek miktarlara veya küçük olasılıklara odaklanan özel teknikler geliştirmenin gerekli olduğunu göstermektedir.

Pratik durumlarda, bu aşırı değerler çoğu zaman temel ilgi alanıdır. Rüzgar hızı örneği yalnızca bir örnek sağlar, ancak aşırı değer muhakemesinin birincil öneme sahip olduğu çok sayıda başka durum da vardır.

1.2 Veri Analizi için Grafik Araçlar

Verilere göre, bir uygulayıcı, belirli bir araştırma sorusu ile ilgili verilerin özelliklerini açık ve verimli bir şekilde gösterecek grafikler kullanmak ister. Bu bölümde, bir dağıtımın kuyruğu hakkında olabildiğince fazla bilgi sağlayan görsel odaklı istatistiksel tekniklere odaklanıyoruz.

Daha sonraki bölümlerde, bu grafik araçlar, temeldeki istatistiksel popülasyonu tanımlamak için makul bir modele karar vermemize yardımcı olacaktır. Vurgumuz, verileri bir bütün olarak tanımlamayı veya tam desteğiyle dağıtımı hedefleyen küresel modeller üzerinde olmayacak. Bunun yerine, belirli (yüksek) eşiklerin üzerinde istatistiksel uyumlar gerçekleştiririz. Bunun için motivasyon Bölüm 1.1’de verilmiştir.

Histogramlar, pürüzsüz yoğunluk tahminleri ve kutu grafikleri gibi yaygın istatistiksel grafikleri özetlemeyeceğiz. Bunun yerine, genellikle amaçlarımız için daha bilgilendirici olan nicel-kuantil (QQ) ve ortalama fazlalık (veya ortalama kalan ömür) grafiklerine odaklanacağız. Dahası, aşırı değer teorisinden birçok popüler tahmin yöntemi, doğrudan bu grafik araçlara dayanıyor.

1.2.1 Kantil-kuantil Grafikleri

Nicelik grafikleri fikri veya daha spesifik olarak Quantile-Quantile grafikleri (kısaca QQ grafikleri), önemli dağılım sınıfları için Q (p) kuantillerinin bir standardın karşılık gelen nicelikleriyle doğrusal olarak ilişkili olduğu gözleminden ortaya çıkmıştır. Bu sınıftan örnek. Bir grafikteki doğrusallık gözle kolayca kontrol edilebilir ve ayrıca bir korelasyon katsayısı ile ölçülebilir. Bu araç, bu nedenle, klasik uygunluk sorusunu yanıtlamaya çalışırken ideal olarak kullanılabilir: belirli bir model, eldeki rastgele değişkenin dağılımına makul bir uyum sağlıyor mu?

Tarihsel olarak normal dağılım, QQ grafiklerinin bu soruyu yanıtlamak için güçlü bir araç oluşturduğu ana model sınıfını sağlamıştır. Devamında gösterileceği gibi, üstel dağılım, amaçlarımız için çok daha önemli bir rol oynar.

QQ grafiklerinin mantığı aynı kalır ancak hesaplamalar daha da kolaydır. Exp (λ) üstel model için QQ-grafiği fikrini açıklayarak ve örnekleyerek başlıyoruz (bkz. Tablo 1.1). Bu aynı metodoloji, log-normal, Weibull veya diğerleri gibi modeller uydurulduğunda verilerde bulunan deneysel kanıtların karşılaştırmalarını sağlamak için araştırılabilir ve genişletilebilir.
Dikkatimizi önce Exp (λ) modeliyle sınırlandırarak, standart üstel dağılımı önerebiliriz

1 – F1 (x): = exp (−x), x> 0

genel hayatta kalma işlevine sahip dağıtım sınıfından standart örnek olarak;

1 – Fλ (x) = exp (−λx).

Gerçek popülasyon dağılımı F’nin λ> 0 ile parametrelendirilmiş bu sınıfa ait olup olmadığını bilmek istiyoruz. Cevap elimizdeki x1, …, xn verilerine dayanmalıdır. Bu parametre değerinin burada rahatsız edici bir parametre olarak kabul edilebileceğini not etmek önemlidir, çünkü değeri bu konudaki ana ilgi noktamız değildir.


On yılı aşkın süredir ödev yapma desteği veren Ödevcim Akademik, size İstatistiğin her alanında yardımcı olacaktır. Genel İstatistik, İstatistik Nedir, İstatistik Fiyatları, Ücretli İstatistik Yaptırma, Aşırılık İstatistiği Nedir?, Aşırılık İstatistikleri aramalarında sizde Ödevcim Akademik destek olsun istiyorsanız yapmanız gerekenler çok basit. Öncelikle İstatistik ile ilgili belgelerinizi akademikodevcim@gmail.com sayfamızdan gönderebilir ödevleriniz, tezleriniz, makaleleriniz, raporlarınız ve projeleriniz ile ilgili destek alabilirsiniz.


 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir