Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...
Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...
Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Lorentz JÄNTSCHI (principal investigator) & Sorana D. BOLBOACĂ (co-investigator)<br />
÷ Metoda optimizată OptiBin obţine performanţa maximă la toate criteriile de clasificare (poziţia<br />
1 peste tot). Pe lângă faptul că era de aşteptat acest fapt (valorile capetelor intervalelor de<br />
încredere fiind obţinute prin optimizare pornind ca puncte de start de la valorile cal<strong>cu</strong>late <strong>cu</strong><br />
toate celelalte metode, incluzând cele comparate), se poate observa că reprezintă o alternativă<br />
reală şi validă metodelor de cal<strong>cu</strong>l aproximativ prin formule exacte. Mai precis, ceea ce scoate<br />
în evidenţă Tabelul 14, pe lângă faptul că metoda OptiBin reprezintă o soluţie consistentă pe<br />
întreg domeniul de valori ale lui m = 3..102, mai arată că metoda de cal<strong>cu</strong>l exact pornind de la<br />
valori aproximative este alternativa mai bună decât orice metodă de cal<strong>cu</strong>l aproximativ prin<br />
formule exacte.<br />
÷ Metoda BetaCJA este o ajustare de succes a metodelor de cal<strong>cu</strong>l bazate pe aproximaţia<br />
binomială (BetaCJ0 - Jeffreys, BetaC01 - Clopper-Pearson, BetaC11 - Bayes), pe intervalul<br />
investigat (m=3..102) fiind între<strong>cu</strong>tă doar de Logit_C (corecţia la continuitate a metodei Logit).<br />
÷ Metoda BetaCJA îmbunătăţeşte net metodele BetaC11 şi BetaCJ0 chiar dacă la limită ea cade<br />
peste acestea (ceea ce se poate verifica uşor pornind de la formulele de definiţie):<br />
BetaCJA(<br />
X,<br />
m)<br />
X 0,<br />
m<br />
⎯ ⎯<br />
→<br />
2X →m<br />
⎯ →BetaC11(<br />
X,<br />
m)<br />
, BetaCJA(<br />
X,<br />
m)<br />
⎯⎯⎯→BetaCJ0( X,<br />
m)<br />
÷ În ce priveşte metodele <strong>cu</strong> formulă exactă, este de aşteptat ca metoda Logit_C să funcţioneze<br />
bine pentru valori mici ale lui m (fiind o metodă bazată pe distribuţia log-normală) şi să<br />
funcţioneze mai puţin eficient în rest. Suspectând acest fapt, s-a efectuat comparaţia <strong>cu</strong> BetaCJA<br />
pentru domeniul de valori ale lui m=30..129. Rezultatele comparaţiei sunt redate în Tabelul 15.<br />
Tabelul 15. Clasificarea metodelor BetaCJA şi Logit_C pentru m = 30..129<br />
30..129 Logit_C BetaCJA Cea mai bună<br />
AiOE0(·.·,0.05,·) 0.033 0.012 BetaCJA<br />
AiOE1(·.·,0.05,·) 0.112 0.156 Logit_C<br />
SdOE0(·.·,0.05,·) 0.977 0.968 BetaCJA<br />
SdOE1(·.·,0.05,·) 1.273 1.261 BetaCJA<br />
IdOE0(·.·,0.05,·) 0.980 0.972 BetaCJA<br />
IdOE1(·.·,0.05,·) 1.277 1.271 BetaCJA<br />
IiOE0(·.·,0.05,·) 0.704 0.703 BetaCJA<br />
IiOE1(·.·,0.05,·) 0.810 0.839 Logit_C<br />
AdOE0(·.·,0.05,·) 0.700 0.705 Logit_C<br />
AdOE1(·.·,0.05,·) 0.824 0.828 Logit_C<br />
S8OE0(·.·,0.05,·) 2.034 2.108 Logit_C<br />
S8OE1(·.·,0.05,·) 3.195 3.198 Logit_C<br />
Cumulat 6 apariţii 6 apariţii Indecis<br />
Datele din Tabelul 15 confirmă ipoteza emisă anterior că metoda BetaCJA îşi îmbunătăţeşte<br />
performanţa odată <strong>cu</strong> creşterea lui m (pentru m = 30..129 şi α = 5% conform <strong>cu</strong> criteriile de<br />
comparare folosite fiind a<strong>cu</strong>m egală în performanţe <strong>cu</strong> Logit_C). Ea produce şi cele mai mici<br />
74(157)