Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – (42) – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli 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

Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – (42) – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

21 Aralık 2020 Bir dağılımda en çok tekrarlanan değeri ifade eden kavramlar Normal dağılım özellikleri Ödevcim Akademik Standart Sapma hesaplama Z Tablosu nedir 0
Extremes (Uç-Aşırı Değerler) İstatistikleri – Aşırılık İstatistikleri – (42) – Aşırılık İstatistiği Nedir? – İstatistik Fiyatları – Ücretli İstatistik Yaptırma

(8.1) tutarsa, F’nin G’nin (max-) çekim alanında olduğunu söyleriz, F ∈ D (G) notasyonu. Ayrıca, G’ye (çok değişkenli) aşırı değer dağılım fonksiyonu denir.

Denklem çalışması (8.1) daha sonra iki kısma ayrılır:

  • (i) uç değer dağılım fonksiyonlarının sınıfını karakterize eder ve
  • (ii) belirli bir uç değer dağılım fonksiyonu için çekim alanını karakterize eder.

Sonraki iki bölümde bu bölümleri ayrı ayrı ele alacağız. Başlamadan önce, yapılması gereken basit ama çok önemli bir gözlem var. Fj ve Gj sırasıyla F ve G’nin j. Marjinal dağılım fonksiyonlarını göstersin. Gj’nin dejenere olmadığını varsayalım. Rastgele vektörlerden oluşan bir dizi, yalnızca karşılık gelen marjinal diziler yaparsa dağılımda birleşebileceğinden,

  • j = 1, …, d, Fjn (an, jxj + bn, j) → D Gj (xj), n → ∞ olur.

Bu nedenle, her Gj kendi başına tek değişkenli bir uç değer dağılım fonksiyonudur ve Fj, çekim alanı içindedir. Bu, Bölüm 2’de kapsamlı bir şekilde incelenmiştir. Bu bölümde, o halde, F ve G’nin bağımlılık yapılarına odaklanabiliriz.

Son bir açıklama: G’nin marjinal dağılımları sürekli olduğundan, G’nin kendisi süreklidir, bu nedenle (8.1) ‘deki yakınsama sadece dağıtımda değil, aynı zamanda her x ∈ [−∞, ∞] için de geçerlidir  hatta tekdüze olarak alınır.

Çok Değişkenli Aşırı Değer Dağılımları

Tek değişkenli durumun aksine, çok değişkenli aşırı değer dağılımları, sonlu boyutlu bir parametre vektörü tarafından indekslenmiş bir parametrik aile olarak temsil edilemez. Bunun nedeni, bağımlılık yapılarının sınıfının çok büyük olmasıdır. Bunun yerine, çok değişkenli uç değer dağılımları ailesi, örneğin, bir dışbükey işlevler sınıfı tarafından veya başka bir açıklamada, bir sonlu ölçüler sınıfı tarafından endekslenir.

Maksimum kararlılık ve maksimum sonsuz bölünebilirlik

Denklem (8.1) ile başlayalım. Bölüm 2’deki tek değişkenli uçlar teorisinden, pozitif tamsayı k için, a 1a → α ve a − 1 (b −b) → β, n → ∞ olacak şekilde αk> 0 ve β vektörlerinin olduğunu biliyoruz. Ancak, pozitif tamsayı k ve x ∈ Rd için, n → ∞ olarak Fnk (ankx + bnk) → G (x) ve ayrıca a x + b = a {a − 1a x + a − 1 (b −b )} + b, elde ederiz

  • Gk (αkx + βk) = G (x), x ∈ Rd.

Her pozitif tamsayı k için αk> 0 ve βk vektörlerini bulabileceğimiz bir d-değişken dağılım fonksiyonu G, öyle ki (8.2) tutuşları max-kararlı olarak adlandırılır. Anlamı tek değişkenli durumdaki ile aynıdır: Y, Y1, Y2, … dağıtım fonksiyonu G olan bağımsız rastgele vektörler ise, o zaman, açıktır ki, maksimum kararlı dağıtım işlevi kendi çekim alanı içindedir; özellikle, uç değer dağılım fonksiyonu olmalıdır. Önceki paragrafla birlikte bu argüman, aşırı değer ve maksimum kararlı dağıtım fonksiyonlarının sınıflarının aslında çakıştığını gösterir.

(8.2) ‘nin bir sonucu, G1 / k’nin her pozitif tamsayı k için bir dağılım fonksiyonu olmasıdır, yani G, maksimum sonsuz bölünebilirdir (Balkema ve Resnick 1977). Özellikle, [−∞, ∞) üzerinde μ ölçüsü vardır, öyle ki

  • G (x) = exp {−μ ([- ∞, ∞) \ [−∞, x])}, x ∈ [−∞, ∞] olur.

Üslü ölçü, μ genel olarak benzersiz değildir ve gelecekte her zaman aşağıdaki özel seçimi kullanacağız. J = 1 için. . . , d, qj, jthmargin, Gj, ofG’nin alt uç noktası olsun, yani qj = inf {x∈R: Gj (x)> 0}. q = (q1, …, qd) tanımlayın. Daha sonra, x ̸> q için G (x) = 0 olduğundan, [q, ∞) \ {q} üzerinde yoğunlaşan bir üs ölçüsü μ vardır. Dahası, böyle sadece bir üslü ölçü de vardır.

Üslü Ölçü

Bir dağılımda en çok tekrarlanan değeri ifade eden kavram
İstatistikte sınıf aralığı hesaplama
Standart Sapma hesaplama
Standart sapma
Normal dağılım
Normal dağılım özellikleri
Z Tablosu

Standart Frechet marjlarına indirgeme

Maksimum kararlı bir dağılımın bağımlılık yapısını incelemek için, marjları aynı olacak şekilde standartlaştırmak uygundur. Marjinal dağılımın kesin seçimi o kadar önemli değildir. Yine de, özellikle yararlı bir seçim, standart Fre -chet marjlarıdır, çünkü bu durumda üslü ölçü, yararlı bir homojenlik özelliğini de karşılamalıdır.

Μ ∗, basit uç değer dağılım fonksiyonu G ∗ ‘nin üslü bir ölçüsü olsun. Genelliği kaybetmeden, μ ∗’nin [0, ∞) \ {0} üzerinde yoğunlaştığını varsayabiliriz, böylece

  • V ∗ (z): = – günlük G ∗ (z) = μ ∗ ([0, ∞) \ [0, z]), z ∈ [0, ∞]. (8.8) Bazı j = 1, …, d için zj = 0 olur olmaz V ∗ (z) = ∞ olduğunu gözlemleyin.
  • Ayrıca, G ∗ kenar boşlukları standart Frechet’dir. Yani,V ∗ (∞, …, ∞, zj, ∞, ∞) = μ ∗ ({x ∈ [0, ∞): xj> zj}) = z − 1 olur.

G ve G’nin üs ölçüleri μ ve μ ∗ aşağıdaki şekilde ilişkilidir.

  • Zj = −1 / logGj (xj) ile ilişkili x ∈ [q, ∞] ve z ∈ [0, ∞] olur.

Literatürde kullanılan marjlar için diğer seçeneklerle bağlantılar sonraki bölümde tartışılmıştır.
G ← j, Gj’nin kuantil fonksiyonunu, maksimum kararlı dağılım fonksiyonu G’nin j marjını, yani G ← j (p) = x ancak ve ancak Gj (x) = p ise, burada 0 <p < 1, olağan parametrelendirmede, bazı j ∈R, μj ∈Randσj> 0 için ise, o zaman, (L3) ‘teki üst ve alt sınırlar kendi başına da geçerli kararlı kuyruk bağımlılık işlevleridir.

Alt sınır, l (v) = v1 ∨ · · · ∨ vd, tam bağımlılığa karşılık gelir, G (x) = G1 (x1) ∧ ··· ∧Gd (xd), oysa üst sınır, l (v) = v1 + ··· + vd, bağımsızlığa karşılık gelir, G (x) = G1 (x1) ··· Gd (xd). Üstelik, aşağıdaki (8.23) ‘ten (L4) l dışbükeydir, yani

  • λ∈ [0 için l {λv + (1 − λ) w} ≤λl (v) + (1 − λ) l (w) , 1] sonucunu alır.

İki değişkenli durum haricinde, (L1) – (L4) özelliklerinin kararlı kuyruk bağımlılık fonksiyonları sınıfını karakterize etmediğini, yani (L1) – (L4) ‘ü karşılayan bir l fonksiyonunun mutlaka bir kararlı kuyruk bağımlılığı işlevi de vardır.

Üç değişken durumda bir karşı örnek olarak, l (v1, v2, v3) = (v1 + v2) ∨ (v2 + v3) ∨ (v3 + v1) koyun.

Özellikler de (L1) – (L4) açıkça karşılanmıştır. Yine de l, kararlı bir kuyruk bağımlılığı işlevi olamaz, çünkü;

  • l (1, 1, 0) = l (1, 0, 1) = l (0, 1, 1) = 2,

ikili bağımsızlık anlamına gelir ve bu nedenle, bir sonraki bölüme bakın. Bu noktada tam bağımsızlık, l (1, 1, 1) = 2 ̸ = 3 ile de çelişir.

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir