Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...
Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...
Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
÷ K = 7.5013166;<br />
÷ JB = 17.48365528;<br />
Lorentz JÄNTSCHI (principal investigator) & Sorana D. BOLBOACĂ (co-investigator)<br />
÷ p = 0.000160 = 0.16‰.<br />
adică probabilitatea ca diferenţa între Logit_C şi BetcaCJA să fie normal distribuită este sub 2‰.<br />
În urma exe<strong>cu</strong>ţiei seturilor de experimente pentru metodele cel mai frecvent raportate în<br />
literatura de specialitate s-au propus cele mai bune metode de cal<strong>cu</strong>l a intervalului de încredere<br />
bazat pe valorile experimentale ale mediilor şi deviaţiile standard ale erorilor produse de acestea.<br />
Analizând exclusiv metodele preluate din literatura de specialitate, aşa <strong>cu</strong>m se relevă din<br />
studiul experimental, metoda Logit şi metoda Jeffreys sunt cele mai conservative în ceea ce priveşte<br />
deviaţia standard a erorilor în aproximarea intervalului de încredere impus de pragul α (în<br />
experiment s-a folosit α = 5%). Astfel, dacă se doreşte o metodă care să asigure o deviaţie standard<br />
cât mai mică în funcţie de m sau X, una dintre aceste două metode trebuie aleasă.<br />
Mai mult, de notat că media erorilor se situează totdeauna sub pragul α pentru metoda<br />
Logit_N şi începând <strong>cu</strong> m ≈ 30 media erorilor pentru metoda Logit_C se situează totdeauna peste<br />
pragul α. Dacă criteriul deviaţie standard nu este singurul considerat şi se doreşte şi o cât mai bună<br />
apropiere de pragul impus al erorilor α (α = 5% în experiment), atunci metoda BetaC11 are câştig<br />
de cauză, <strong>cu</strong>mulând cele mai bune performanţe în medie pe intervalul studiat, 4 ≤ m ≤ 300. Metoda<br />
OptiBin (metodă de cal<strong>cu</strong>l aproximativ bazată pe optimizare pornind de la soluţii exacte) dovedeşte<br />
performanţe net superioare metodelor de cal<strong>cu</strong>l exact bazate pe aproximaţii la normalitate,<br />
binomial, şi log-normalitate. Aşa <strong>cu</strong>m arată Figurile 8-21 convergenţa metodei este asigurată.<br />
2.0<br />
1.5<br />
1.0<br />
0.5<br />
0.0<br />
3 23 43 63 83 103 123 143 163 183 203<br />
Figura 8. Convergenţa OptiBin în AiOE0(·,3..203,0.05,·)<br />
76(157)