Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...

More documents

Recommendations

Info

÷ K = 7.5013166; ÷ JB = 17.48365528; Lorentz JÄNTSCHI (principal investigator) & Sorana D. BOLBOACĂ (co-investigator) ÷ p = 0.000160 = 0.16‰. adică probabilitatea ca diferenţa între Logit_C şi BetcaCJA să fie normal distribuită este sub 2‰. În urma execuţiei seturilor de experimente pentru metodele cel mai frecvent raportate în literatura de specialitate s-au propus cele mai bune metode de calcul a intervalului de încredere bazat pe valorile experimentale ale mediilor şi deviaţiile standard ale erorilor produse de acestea. Analizând exclusiv metodele preluate din literatura de specialitate, aşa cum se relevă din studiul experimental, metoda Logit şi metoda Jeffreys sunt cele mai conservative în ceea ce priveşte deviaţia standard a erorilor în aproximarea intervalului de încredere impus de pragul α (în experiment s-a folosit α = 5%). Astfel, dacă se doreşte o metodă care să asigure o deviaţie standard cât mai mică în funcţie de m sau X, una dintre aceste două metode trebuie aleasă. Mai mult, de notat că media erorilor se situează totdeauna sub pragul α pentru metoda Logit_N şi începând cu m ≈ 30 media erorilor pentru metoda Logit_C se situează totdeauna peste pragul α. Dacă criteriul deviaţie standard nu este singurul considerat şi se doreşte şi o cât mai bună apropiere de pragul impus al erorilor α (α = 5% în experiment), atunci metoda BetaC11 are câştig de cauză, cumulând cele mai bune performanţe în medie pe intervalul studiat, 4 ≤ m ≤ 300. Metoda OptiBin (metodă de calcul aproximativ bazată pe optimizare pornind de la soluţii exacte) dovedeşte performanţe net superioare metodelor de calcul exact bazate pe aproximaţii la normalitate, binomial, şi log-normalitate. Aşa cum arată Figurile 8-21 convergenţa metodei este asigurată. 2.0 1.5 1.0 0.5 0.0 3 23 43 63 83 103 123 143 163 183 203 Figura 8. Convergenţa OptiBin în AiOE0(·,3..203,0.05,·) 76(157)
Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu Aplicaţii în Bioinformatică şi Biochimie 2.0 1.5 1.0 0.5 0.0 2.0 1.5 1.0 0.5 0.0 2.0 1.5 1.0 0.5 0.0 3.0 23.0 43.0 63.0 83.0 103.0 123.0 143.0 163.0 183.0 203.0 Figura 9. Convergenţa OptiBin în AiOE1(·,3..203,0.05,·) 3 23 43 63 83 103 123 143 163 183 203 Figura 10. Convergenţa OptiBin în SdOE0(·,3..203,0.05,·) 3 23 43 63 83 103 123 143 163 183 203 Figura 11. Convergenţa OptiBin în SdOE1(·,3..203,0.05,·) 77(157)
Page 1 and 2:
Distribuţia Binomială: Modelare S
Page 3 and 4:
Page 5 and 6:
Page 7 and 8:
Page 9 and 10:
Page 11 and 12:
Page 13 and 14:
Page 15 and 16:
Page 17 and 18:
Page 19 and 20:
Page 21 and 22:
Page 23 and 24:
Page 25 and 26: Distribuţia Binomială: Modelare S
Page 75: Distribuţia Binomială: Modelare S
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157:
show all

Distribuţia Binomială: Modelare Statistică, Optimizare Numerică, cu ...

Create successful ePaper yourself

Delete template?

Save as template?