کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7549170 | 1489869 | 2016 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Scan statistics for detecting a local change in variance for normal data with unknown population variance
ترجمه فارسی عنوان
آمار اسکن برای شناسایی تغییرات محلی در واریانس داده های نرمال با واریانس جمعیت ناشناخته
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
ترجمه چکیده
در این مقاله، کارایی آمار اسکن ثابت، چندگانه و متغیر در تشخیص تغییر محلی در واریانس برای دنباله ای از مشاهدات طبیعی، زمانی که واریانس جمعیت توزیع نرمال اساسی ناشناخته است، مورد بررسی قرار می گیرد. برای آمارهای ثابت اسکن پنجره، ما مطالعه می کنیم: روش نمونه گیری آموزش، تهیه رویکرد آمار کافی و رویکرد تست بوت استرپ پارامتریک. از نتایج عددی آشکار است که آمار اسکن از طریق روش تهویه ساخته شده دو آمار دو صفحه ثابت ثابت را که در این مقاله مورد بررسی قرار می گیرد بهتر می کند. بر اساس محاسبات قدرت ارائه شده در این مقاله، می توان نتیجه گرفت که وقتی اندازه پنجره که در آن تغییر محلی واریانس رخ داده است، ناشناخته است، آمار اسکن چند پنجره و متغیر پنجره از آمار اسکن ثابت ثابت بهتر است. آمار اسکن چند پنجره و متغیر به همان اندازه خوب عمل می کند. هنگامی که دنباله ای از مشاهدات بزرگ است، اجرای آمار اسکن چند پنجره عملا عملی تر است.
موضوعات مرتبط
مهندسی و علوم پایه
ریاضیات
آمار و احتمال
چکیده انگلیسی
In this article we investigate the performance of fixed, multiple and variable window scan statistics in detecting a local change in variance for a sequence of normal observations, when the population variance of the underlying normal distribution is unknown. For fixed window scan statistics, we study: the training sample approach, the conditioning on sufficient statistic approach and the parametric bootstrap testing approach. It is evident from the numerical results that the scan statistic constructed via the conditioning approach outperforms the other two fixed window scan statistics investigated in this article. Based on power calculation presented in this article, one can conclude that when the size of the window where a local change of variance has occurred is unknown, multiple and variable window scan statistics outperform fixed window scan statistics. The multiple and variable window scan statistics perform equally well. When the sequence of observations is large, the implementation of the multiple window scan statistic is computationally more practical.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Statistics & Probability Letters - Volume 110, March 2016, Pages 137-145
Journal: Statistics & Probability Letters - Volume 110, March 2016, Pages 137-145
نویسندگان
Bo Zhao, Joseph Glaz,