Μοντέλα πιθανοτήτων για περιγραφή δεδομένων μεγάλου όγκου
| dc.contributor.advisor | Κούτρας, Μάρκος | |
| dc.contributor.author | Tzogani, Anastasia | |
| dc.contributor.author | Τζογάνη, Αναστασία | |
| dc.date.accessioned | 2018-07-12T10:05:51Z | |
| dc.date.available | 2018-07-12T10:05:51Z | |
| dc.date.issued | 2018 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/11312 | |
| dc.description.abstract | Tα τελευταία χρόνια πολλοί ερευνητές επικεντρώθηκαν στην στοχαστική μοντελοποίηση σε φυσικών και κοινωνικών φαινομένων και έφτασαν στο συμπέρασμα ότι τα περισσότερα από αυτά ακολουθούν την Κατανομή Νόμου Δύναμης (Power Law Distribution. PLD). Στη παρούσα εργασία δίνουμε αρχικά τον ορισμό της συνεχούς PLD και τις ιδιότητές της. Στην συνέχεια παραθέτουμε διάφορες στατιστικές μεθόδους εκτίμησης των παραμέτρων της μαζί με τον έλεγχο καλής προσαρμογής Kolmogorov-Smirnov. Ακολούθως, προχωρούμε στην παρουσία τεχνικών σύγκρισης της PLD έναντι άλλων κατανομών βαριάς ουράς μέσω του ελέγχου του λόγου πιθανοφανειών και αναλύουμε κάποιες από αυτές. Επιπρόσθετα, χρησιμοποιώντας προσομοιωμένα δεδομένα από την PLD εξετάζουμε ποια από τις μεθόδους εκτίμησης δίνει αξιόπιστα αποτελέσματα και επιπλέον ποια εναλλακτική κατανομή προσαρμόζεται καλύτερα σε δεδομένα τα οποία προέρχονται από την PLD. Τέλος, δίνουμε κάποιες εφαρμογές της PLD και παρουσιάζουμε πως μπορούμε να εφαρμόσουμε τις τεχνικές εκτίμησης των παραμέτρων της μέσα από διάφορες γλώσσες προγραμματισμού. | el |
| dc.format.extent | 85 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.title | Μοντέλα πιθανοτήτων για περιγραφή δεδομένων μεγάλου όγκου | el |
| dc.title.alternative | Probability models for fitting big data | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
| dc.description.abstractEN | Over the last few decades, many scientists focused on the stochastic modeling of natural and social phenomena and arrived at the conclusion that many of them follow Power Law Distribution. This dissertation contains some brief definitions of the continuous PLD and presents in detail its properties. Furthermore, we present statistical methods for estimating the parameters of PLD along with Kolmogorov-Smirnov goodness-of-fit. Moreover, we compare PLD with other alternative fat-tailed distributions using likelihood ratios and also we describe some of them. Additionally, we use simulated data from PLD in order to find out which of the estimation methods gives best results and also which alternative distribution can describe better data from PLD. Finally, we present some applications of PLD and provide information on how one can apply estimating methods for the PLD parameters via several programming languages. | el |
| dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
| dc.subject.keyword | Power law distribution | el |
| dc.subject.keyword | Heavy-tailed distributions | el |
| dc.subject.keyword | Scale free | el |
| dc.date.defense | 2018-06-25 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης
Department of Statistics & Insurance Science
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές