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

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

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

21 Aralık 2020  İstatistiksel Veri Analizi İstatistiğin günlük Hayattaki yeri ve önemi İstatistik bilimi Nedir İstatistik Ders Notları İstatistik formülleri İstatistik nedir kısaca? İstatistik Nedir ne ise yarar? 0
Olasılık Bulma – İstatistik Alanları- İstatistik Fiyatları – Ücretli İstatistik – İstatistik Yaptırma

Nokta Süreçleri

Çekim alanı koşulu altında (8.98) ‘de olduğu gibi nokta süreçlerin yakınsaması, ortak kuyruk modelinde (9.99) da formüle edilebilir. (Zn1, Zn2), n = 1, 2, olsun. . . (9.99) ‘da (Z1, Z2) olarak dağıtılan bağımsız bir rastgele çift dizisi olabilir. Nokta süreçlerinin sırasını tanımlayın.

(8.98) ‘de olduğu gibi n − 1 ile normalleştirmek yerine, burada P [Z1> tn, Z2> tn] ∼ 1 / n n → ∞ olacak şekilde bir pozitif sayı dizisi (tn) n ile normalize ediyoruz. 0 <t 􏰏 → P [Z1> t, Z2> t] = L (t, t) t − 1 / η fonksiyonu −1 / η indeksi ile sonsuzda düzenli olarak değiştiğinden, tn = nηL♯ ( n) yavaş değişen bazı işlevler için L♯ (Bingham ve diğerleri 1987). Özellikle, eğer η <1 ise, o zaman tn = o (n) n → ∞ olur.
􏰱
Resnick’in (1987) 3.21 önermesi şunu ima eder:

  • N n → D N, n → ∞, (9, 1 1 8)

burada N, yoğunluk ölçüsü 􏰓 ile (0, ∞] 2 üzerinde homojen olmayan bir Poisson sürecidir. Koordinat eksenlerini durum uzayından hariç tuttuğumuza dikkat edin. Bunun nedeni, η <1 ise, tn ile normalizasyonun çok zayıf olmasıdır. ve sadece her iki koordinatın da büyük olduğu (Zi1, Zi2) ‘yi kontrol edebilir (maksimum n bağımsız standart Fre ́chet değişkeninin n mertebesinde olduğunu hatırlayın).

Bu nedenle, Nn’de eksenlere yakın noktaların sayısı sonsuza yakınsayacaktır. Öte yandan, tn yerine n ile normalleştirme, aslında eksenlere yakın noktaları kontrol ederdi, ancak asimptotik bağımsızlık durumunda sınırlayıcı ölçü eksenler üzerinde yoğunlaştığından, sınırda hiçbir nokta kalmayacaktır.

  • P [∀i = 1, …, n: Zi1 ≤tnz1 veyaZi2 ≤tnz2]
    = P [Nn {(z1, ∞) × (z2, ∞)} = 0]
    → exp [−􏰓 {(z1, ∞) × (z2, ∞)}]

n → ∞ olarak. Bu ilişki doğrudan (9.99) ‘dan da elde edilebilir. Daha da ilginci, bu çiftlerden (Zi1, Zi2), i = 1, oluşan alt örneğin bileşen bazında maksimumunun limit dağılımını bulabiliriz. . . , n, bölgeye düşen;

  • (tn, ∞) 2: for1 <zj <∞ (j = 1,2),
    P [max {(Zi1, Zi2): i = 1, …, n with (Zi1, Zi2)> (tn, tn)} ≤ (tnz1, tnz2)] 􏱀􏰛 􏰜􏱁
    = P Nn {(1, ∞) × (1, ∞)} \ {(1, z1] × (1, z2]} = 0 􏱀􏰛 􏰜􏱁
    → exp −􏰓 {(1, ∞) × (1, ∞)} \ {(1, z1] × (1, z2]}
    = exp {−g (z1,1) z − c1 −g (1, z2) z − c2 + g (z1, z2) z − c1z − c2}
    n → ∞ olarak hesaplanır.

İstatistik Nedir ne ise yarar
Sporda istatistik Nedir
İstatistiğin yaptığı işler
İstatistik formülleri
İstatistiğin günlük Hayattaki yeri ve önemi
İstatistik nedir kısaca
İstatistik Ders Notları
İstatistik bilimi Nedir

İstatiksel Sonuç

Eklem kuyruk modeli (9.99), her iki bileşenin de büyük olduğu desteğinin o bölgesinde iki değişkenli bir dağılım üzerine istatistiksel çıkarım için kullanılabilir. Daha önce olduğu gibi, analiz, marjlar üzerinde çıkarıma ve ortak bağımlılık yapısı üzerine çıkarıma ayrılıyor. Fj marjinal dağılımlarının Fˆj (j = 1, 2) tahminleri, orijinal verileri (Xi1, Xi2) Zˆ ij = −1 / log Fˆj (Xij) ile yaklaşık standart Fre ́chet marjlarına dönüştürmek için kullanılır ve bu dönüştürülmüş veriler daha sonra eklem kuyruk modelini (9.99) izlediği varsayılmıştır.

Kenar boşlukları, bölüm 9.4.1’de açıklandığı gibi parametrik olmayan veya yarı parametrik olarak tahmin edilebilir. Alternatif olarak, (9.99) parametrik spesifikasyonu altında, marjinal ve bağımlılık parametreleri maksimum olasılıkla birlikte tahmin edilebilir. Metinde, basitlik için kenarların bilindiğini varsayıyoruz, böylece bağımsız, aynı şekilde dağıtılmış rastgele çiftleri (Zi1, Zi2) ortak kuyruk modelini (9.99) izleyerek elden çıkarıyoruz.

Yöntemleri Loss-ALAE verilerine uygulamayacağız, çünkü bölüm 9.5.2’de asimptotik bağımsızlık için yetersiz kanıt bulduk. Bununla birlikte, belirli Markov süreçlerinin uç noktalarını analiz ettiğimizde, çok değişkenli uç değer yöntemleri yine 10.4.6 bölümünde devreye girecektir. Orada, Bortot ve Tawn’da (1998) olduğu gibi Markov süreçlerine uygun uyarlamalarla asimptotik bağımsızlık için bazı parametrik teknikleri göstereceğiz.

Parametrik olmayan çıkarım. (9.106) ve (9.104) ‘ü birleştirerek, (Z1, Z2) dağılımının aşağıdaki ölçekleme ilişkisini sağladığını bulduk: (t, ∞) 2’de t büyük ve 0 <s <∞ için Borel kümesi B için arka arkaya (9.105) başvurusu yaptık.

  • P[(Z1,Z2) ∈ B] ≈ P[Z1 > t, Z2 > t]􏰓(t−1B)
    = P [Z1 > t, Z2 > t]s1/η􏰓(st−1B)
  • ≈ s1/ηP [(Z1, Z2) ∈ sB].

[Yaklaşımların işe yaraması için, B’nin 􏰓 süreklilik kümesi olması gerekir, yani 􏰓 (∂B) = 0 ve B.B B’nin topolojik sınırıdır.] Dolayısıyla, B kümesi herhangi bir şey içermiyorsa veya yalnızca gözlemlerin çok azı (Zi1, Zi2), i = 1,. . . , n, p = P [(Z1, Z2) ∈ B] olasılığını hala tahmin edebiliriz.

Burada ηˆ, bölüm 9.5.2’deki gibi kuyruk bağımlılığı katsayısının bir tahmin edicisidir ve 0 <s <1, başarısızlık kümesi B’yi (küçük s ) ve yaklaşımı (9.119) yeterince doğru tutmak (büyük s). Pˆ’nın asimptotik özellikleri Draisma ve ark. (2004) verilir.

Alternatif olarak, (Z1, Z2) ‘nin kuyruğunu ilk önce üs ölçüsünü 􏰓 tahmin ederek ve ikinci olarak yaklaşıklığı (9.105) kullanarak tahmin edebiliriz. Üslü ölçü 􏰓 için naif bir tahminci, aynı yaklaşımda olasılıkların ampirik sayımlarla değiştirilmesinden ortaya çıkar.

Burada t, seçimi (9.104) ‘te yakın bir yaklaşım ile (t, ∞) 2 bölgesindeki yeterli sayıda gözlem arasında bir denge kurması gereken bir eşik görevi görür. Kestirimci 􏰓 ̃ (·) homojenlik özelliğini (9.106) karşılamaz ve bu nedenle (Z1, Z2) ile (9.105) arasındaki kuyruğa yaklaşmak için doğrudan uygun değildir. Bununla birlikte, 􏰓 ̃ ‘yi spektral ölçü için bir tahmin ediciye dönüştürebiliriz.

  • Hˆ􏰓(·)=􏰓 ̃􏰛􏰝(z1,z2)∈(0,∞)2 : z1+z2 >1,z1/(z1+z2)∈·􏰞􏰜

(9.114) ‘te olasılıkları ampirik sayımlarla değiştirmenin de H’ya yol açtığını gözlemleyin. Şimdi, gerekli homojenlik özelliğini sağlayan bir 􏰓 tahmin edicisini bulmak için bu Hˆ􏰓’yı kuyruk bağımlılığı katsayısının bir tahmini ηˆ ile birleştirin.

Bu tahmincinin sonlu-örneklemi veya asimptotik özellikleri araştırılmayı beklemektedir.

Parametrik Çıkarım

Birleşik kuyruk modeli (9.99) üzerinde istatistiksel çıkarım yapmak için başka bir olasılık, analitik olarak izlenebilir ancak yine de yeterince esnek olan bir parametrik alt model içindedir. Çok değişkenli aşırı değer dağılımlarına dayalı modellere gelince, sansürlenmiş olabilirlik yaklaşımı ile çıkarım yapılabilir, bkz. Bölüm 9.4.2. Asimptotik bağımlılık veya asimptotik bağımsızlık durumu her zaman net değildir, bununla birlikte, Bayesian kurulumundaki belirsizliği hem asimptotik bağımlılığa hem de bağımsızlığa izin veren bir modelin parametreleri üzerindeki posterior dağıtım yoluyla ölçmeyi yararlı kılar (Coles ve Pauli 2002).

 

 

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir