Bayesian Prediction for Stochastic Processes

Ahadzadeh, Zahra (2019) Bayesian Prediction for Stochastic Processes. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
Z. Ahadzadeh.pdf

Download (1MB)
Official URL: http://uma.ac.ir/

Abstract

Research Aim: Primary purpose of dissertation, the study predicts continuous time process from a bayesian perspective. Research method:In this dissertation, needsPoisson process, Ornstein-Uhlenbeck processBayesian predictor, sufficiency and unbiasedness. Findings:Given two equivalent definitions of a Bayesian predictor and considering the predictions of Poisson process and predictions of Ornstein-Uhlenbeck process, study some properties: admissibility, unbiasedness, sufficiencyand also their efficiency. Finally, have been compared using the simulations method Bayesian and non-Bayesian predictors. Conclusion: Inference based on Bayesian method, choicing a priori function for the unknown parameter has a significant effecet on error estimation and prediction. Also, the Bayesian method performs better than in the method classical in estimation and prediction for fewdata samples.

Item Type: Thesis (Masters)
Persian Title: پیشبین بیز برای فرآیندهای تصادفی
Persian Abstract: هدف: هدف از این پایان‌نامه، بررسی پیشبین فرآیند‎‌های پیوسته زمان از دیدگاه بیزیاست. روش‌شناسی پژوهش:در این پایان‌نامه به فرآیند پواسون ، فرآیند اورنشتاین- اُولنبک، پیشبین بیزی، بسندگی و نااریبی نیاز می‌باشد. یافته‌ها:با توجه به دو تعریف هم‌ارز از پیشبین بیز و با در نظر گرفتن پیشبین‌های فرآیند پواسون و فرآیند اورنشتاین- اُولنبک، چندین ویژگی آن‌ها،ازجمله: مجاز بودن، نااریبی، بسندگی و همچنین کارایی آن‌ها مورد بحث و بررسی قرار گرفته و در پایان با استفاده از روش‌ شبیه‌سازی، پیشبین‌های بیزی و غیربیزی با یکدیگر مقایسه شده‌اند. نتیجه‌گیری:در استنباطآماری به روش بیزی، انتخاب تابع پیشین مناسب برای پارامتر مجهول جامعه، اثر معنی‌داری روی کنترل خطای برآورد و پیش‌بینی دارد. همچنین، روش بیزی برای نمونه‌هایی با حجم کم‌ترعملکردبهترینسبت به روش کلاسیک در برآوردیابی و پیش‌بینی خواهد داشت.
Supervisor:
SupervisorE-mail
Ganji, MasoudUNSPECIFIED
Advisor:
AdvisorE-mail
Gharari, FatemehUNSPECIFIED
Subjects: Faculty of Basic Sciences > Department of Statistics & Computer Sciences
Divisions > Faculty of Basic Sciences > Department of Statistics & Computer Sciences
Divisions: Subjects > Faculty of Basic Sciences > Department of Statistics & Computer Sciences
Faculty of Basic Sciences > Department of Statistics & Computer Sciences
Date Deposited: 31 May 2020 08:26
Last Modified: 31 May 2020 08:26
URI: http://repository.uma.ac.ir/id/eprint/11411

Actions (login required)

View Item View Item