Sirvi Autor "Lepik, Natalja" järgi

Tulemuste filtreerimiseks trükkige paar esimest tähte
Nüüd näidatakse 1 - 3 3
  • Pisipilt
    Kirje
    Bayesi statistika Markovi ahelatega
    (Tartu Ülikool, 2013-12-10) Traat, Imbi; Lepik, Natalja
    Kursuse eesmärk: tutvustada alternatiivset suunda statistikas - Bayesi statistikat. See matemaatiliselt elegantne lähenemisviis võib pakkuda lahendusi keerulistele praktilistele probleemidele, seda eriti kaasaegsel arvutiajastul. Kursusel vaadeldakse Bayesi otsustuste tegemist Markovi ahelate Monte Carlo (MCMC) meetodil, st otsustused tehakse vastavate ahelate simuleeritud väärtustelt. Kursuse esimeses osas tutvutakse Bayesi statistika olemusega. Vaadeldakse statistiliste mudelite parameetrite hindamist Bayesi moodi.Teises osas antakse ülevaade vajalikest Markovi ahelate mõistetest ja omadustest. Kolmas osa on pühendatud statistilistele otsustustele MCMC meetodil, erijuhtudel Gibbsi ja Metropolis-Hastingsi algoritme kasutades. Õpitakse meetodit praktiliselt kasutama ja tulemusi interpreteerima. Tutvutakse spetsiaalselt selleks mõeldud tarkvaraga WinBUGS.
  • Pisipilt
    Kirje
    Estimation of domains under restrictions built upon generalized regression and synthetic estimators
    (2011-07-22) Lepik, Natalja
    Tänapäeval on nõudmine usaldusväärse statistika järele oluliselt kasvanud. Seejuures vajatakse näitajaid üha detailsemal tasemel - mitmesuguste osakogumite tasemel. Vajalikke näitajaid saadakse nii valikuuringutest kui ka erinevatest registritest. Registrite korral võib juhtuda, et sealt puuduvad huvipakkuvate osakogumite identifikaatorid, mistõttu ei saa osakogumite parameetreid sealt arvutada. Teisalt võib huvipakkuv tunnus olla küsitletud valikuuringus ja seda koos osakogumi identifikaatoritega. Võimalus leida osakogumi hinnangud valikuuringust tekitab kooskõlalisuse probleemi: valikuuringust saadud hinnangud ei summeeru üldkogumi või vastavate suuremate osakogumite summadeks, mis on välja võetud registrist. Antud dissertatsiooni põhiteemaks on osakogumite hinnangute väljatöötamine, mis on kooskõlalised ja parema täpsusega võrreldes esialgsete hinnangutega. Seni uuritud kitsendustega hinnang (General Restriction estimator, lühidalt GR) baseerub nihketa esialgsetele hinnangutele ja rahuldab lineaarseid kitsendusi. Kuid osakogumite hindamiseks kasutatakse sageli hinnanguid, mis võivad omada nihet. Töös lubame nii nihketa kui ka nihkega lähtehinnanguid. Lähtehinnangute rolli on valitud üldistatud regressioon- (Generalized Regression, lühidalt GREG) ja sünteetiline (SYN) hinnang. Mõlema hinnangu konstrueerimiseks osakogumites kasutame kahte mudelit, üldkogumitaseme ehk P-mudelit ja osakogumitaseme ehk D-mudelit. Töös pakutakse välja kolm uut GR-hinnangut ja näidatakse, et nende ruutkeskmised vead on väiksemad kui lähtehinnangu oma. GR-hinnangute hulgas leitakse ka parim hinnang. Samuti uuritakse lähtehinnanguteks valitud GREG ja SYN hinnangute omadusi. Teoreetilised tulemused on illustreeritud simuleerimisülesandes reaalsete andmete põhjal ja on veendutud tulemuste rakendatavuses.
  • Pisipilt
    Kirje
    Valikuuringute teooria I
    (Tartu Ülikool, 2013-06-12) Lepik, Natalja; Traat, Imbi
    Antud materjal on koostatud BeSt programmi toetusel loengute konspektina e-õpe raames läbiviiva aine "Valikuuringute teooria I" jaoks.