δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Μελέτη διαδικασιών Poisson και Διωνυμικών με εφαρμογή σε δεδομένα αστροφυσικής
Κοκή Κωνσταντίνα
(EL)
Η παρούσα εργασία ασχολείται με τη μελέτη των διαδικασιών Poisson και τη
σύνδεση τους με τις διωνυμικές διαδικασίες. Οι προαναφερθήσες διαδικασίες είναι
από τις πιο διαδεδομένες και πιο συχνά χρησιμοποιημένες όταν έχουμε προβλήματα
με διακριτές τυχαίες μεταβλητές. Η ορθή μοντελοποίηση ενός προβλήματος αποτελέι
τη βάση για τη σωστή συμπερασματολογία και ενδεχομένως για την επίλυση του
προβλήματος που μας απασχολεί. Αφού διαλέξουμε ένα μοντέλο που μπορεί να
εφαρμοστεί στο πρόβλημα προχωρούμε στη στατιστική ανάλυση των δεδομένων για να
πάρουμε στο τέλος τα επιθυμητά αποτελέσματα. Σε δύσκολα προβλήματα θεωρούμε ότι
η μπεϋζιανή προσέγγιση υπερτερεί έναντι των άλλων μεθόδων στατιστικής
συμπερασματολογίας καθώς μπορεί να είναι ευέλικτη και να εφαρμοστεί σε
περίπλοκα προβλήματα τα οποία αριθμιτικά δεν μπορούν εύκολα να αντιμετωπιστούν.
Σύμφωνα με την μπεϋζιανή στατιστική, η συμπερασματολογία γίνεται με βάση την εκ
των υστέρων κατανομή των παραμέτρων, η οποία σε πολύπλοκα προβλήματα
προσεγγίζεται μέσω μεθόδων προσομοίωσης. Στη μελέτη αυτή παρουσιάζουμε μια
εφαρμογή της μπεϋζιανής συμπερασματολογίας σε ένα περίπλοκο πρόβλημα της
αστροφυσικής. Συγκεκριμένα ασχολόύμαστε με την εκτίμηση της συνάρτησης
φωτεινότητας των ενεργών πυρήνων των γαλαξιών, όπου η μοντελοποίηση του αριθμού
των παρατηρήσιμων γαλαξιών γίνεται με διαδικασίες Poisson και διωνυμικές.
(EL)
In this master thesis we study the Poisson and binomial stochastic processes.
These processes are widely used in the scientic community, to deal with
problems
where the random variables are distinct. In order to draw correct inferences we
must choose an appropriate model. After choosing the model we believe is
correct we wish to make inferences about the parameters of the model.In this
study we follow the Bayesian approach to inference, that is all inferences are
based on the posterior distribution of the model parameters. In
multi-dimensional
problems it is rarely possible to calculate the posterior distribution and
compute
analytically, statistics such as posterior means, posterior variances and
posterior
probabilitites. Instead we may use simulation algorithms, the well known Markov
Chain Monte Carlo (MCMC) algorithms in order to approximate the posterior
distribution of interest. This master thesis is organized in two parts. In the
rst
part we present the theory of Poisson processes and and we make the connection
with the binomial processes. Furthermore, we brie
y describe the basic theory of
Bayesian inference, Marcov chains and MCMC. In the second part we present an
application of the Bayesian inference in astrophysics. Specically we present an
estimation method of the luminosity function of the active galactic nuclei,
where
se use models, for the number of the observed galaxies, Poisson and Binomial
processes.
(EN)
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.