Markowowskie metody Monte Carlo w modelu obrączkowania ptaków

master
dc.abstract.enFirst chapter is an introduction to Markov Chain Monte Carlo (MCMC). Elementary theory of Markov chains is given, with an emphasis on stationarity. Basic MCMC algorithms (Metropolis-Hastings algorithm, Gibbs sampler) are described and shortly analysed: potential problems are discussed as well as as solutions to them. An example of using such algorithms is presented. One short section deals with basics of bayesian inference.The second chapter is about the titular model. Explaining the data and the conducted experiment. Finding the likelihood and the posterior distribution. Afterwards, the MCMC algorithm is described and its results are discussed. Finally, the results of the titular model are compared to the results of simplier models.pl
dc.abstract.plPierwszy rozdział to wprowadzenie do markowowskich metod Monte Carlo: opisanie teoretycznych podstaw łańcuchów Markowa i pojęć z nimi związanych, ze szczególną uwagą poświęconą stacjonarności. Opisanie podstawowych algorytmów markowowskiego Monte Carlo (algorytm Metropolisa-Hastingsa, próbnik Gibbsa). Krótka analiza owych algorytmów, zwrócenie uwagi na potencjalne problemy i metody radzenia sobie z tymi problemami Przykład zastosowania algorytmów. Krótki fragment poświęcony wnioskowaniu bayesowskiemu. Rozdział drugi to tytułowy model. Objaśnienie danych i przeprowadzonego badania. Wyprowadzenie postaci rozkładu z próby, a następnie rozkładu a posteriori. Opisanie użytego algorytmu markowowskiego Monte Carlo oraz przedstawienie uzyskanych wyników. Na koniec porównanie otrzymanych wyników z wynikami prostszych modeli.pl
dc.affiliationWydział Matematyki i Informatykipl
dc.areaobszar nauk ścisłychpl
dc.contributor.advisorOmbach, Jerzy - 131170 pl
dc.contributor.authorKozieł, Marcinpl
dc.contributor.departmentbycodeUJK/WMI2pl
dc.contributor.reviewerOmbach, Jerzy - 131170 pl
dc.contributor.reviewerPitera, Marcinpl
dc.date.accessioned2020-07-27T15:40:14Z
dc.date.available2020-07-27T15:40:14Z
dc.date.submitted2018-06-29pl
dc.fieldofstudymatematyka finansowapl
dc.identifier.apddiploma-123069-178870pl
dc.identifier.projectAPD / Opl
dc.identifier.urihttps://ruj.uj.edu.pl/xmlui/handle/item/227467
dc.languagepolpl
dc.subject.enMonte Carlo methods, Markov Chain Monte Carlo, markov chains, stationarity, Metropolis algorithm, Metropolis-Hastings algorithm, Gibbs sampler, bayesian inference, bayesian modelling, a priori distribution, likelihood, a posteriori distribution, logistic regression, ring-recovery, birds' survival rates, lapwing (vanellus vanellus), burn-in, proposal distribution, jumping distribution, acceptance rate, stationary distribution, random variable, probability distribution, density, conditional distribution, marginal distributionpl
dc.subject.plmetody Monte Carlo, markowowskie metody Monte Carlo, łańcuchy Markowa, stacjonarność, algorytm Metropolisa, algorytm Metropolisa-Hastingsa, próbnik Gibbsa,, wnioskowanie bayesowskie, modele bayesowskie, rozkład a priori, rozkład z próby, rozkład a posteriori, regresja logistyczna, obrączkowanie ptaków, przeżywalność ptaków, czajka zwyczajna (vanellus vanellus), burn-in, rozkład propozycji, poziom akceptacji, rozkład stacjonarny, zmienna losowa, wektor losowy, rozkład prawdopodobieństwa, gęstość, rozkład warunkowy, rozkład brzegowypl
dc.titleMarkowowskie metody Monte Carlo w modelu obrączkowania ptakówpl
dc.title.alternativeRing-recovery model using Markov Chain Monte Carlopl
dc.typemasterpl
dspace.entity.typePublication
dc.abstract.enpl
First chapter is an introduction to Markov Chain Monte Carlo (MCMC). Elementary theory of Markov chains is given, with an emphasis on stationarity. Basic MCMC algorithms (Metropolis-Hastings algorithm, Gibbs sampler) are described and shortly analysed: potential problems are discussed as well as as solutions to them. An example of using such algorithms is presented. One short section deals with basics of bayesian inference.The second chapter is about the titular model. Explaining the data and the conducted experiment. Finding the likelihood and the posterior distribution. Afterwards, the MCMC algorithm is described and its results are discussed. Finally, the results of the titular model are compared to the results of simplier models.
dc.abstract.plpl
Pierwszy rozdział to wprowadzenie do markowowskich metod Monte Carlo: opisanie teoretycznych podstaw łańcuchów Markowa i pojęć z nimi związanych, ze szczególną uwagą poświęconą stacjonarności. Opisanie podstawowych algorytmów markowowskiego Monte Carlo (algorytm Metropolisa-Hastingsa, próbnik Gibbsa). Krótka analiza owych algorytmów, zwrócenie uwagi na potencjalne problemy i metody radzenia sobie z tymi problemami Przykład zastosowania algorytmów. Krótki fragment poświęcony wnioskowaniu bayesowskiemu. Rozdział drugi to tytułowy model. Objaśnienie danych i przeprowadzonego badania. Wyprowadzenie postaci rozkładu z próby, a następnie rozkładu a posteriori. Opisanie użytego algorytmu markowowskiego Monte Carlo oraz przedstawienie uzyskanych wyników. Na koniec porównanie otrzymanych wyników z wynikami prostszych modeli.
dc.affiliationpl
Wydział Matematyki i Informatyki
dc.areapl
obszar nauk ścisłych
dc.contributor.advisorpl
Ombach, Jerzy - 131170
dc.contributor.authorpl
Kozieł, Marcin
dc.contributor.departmentbycodepl
UJK/WMI2
dc.contributor.reviewerpl
Ombach, Jerzy - 131170
dc.contributor.reviewerpl
Pitera, Marcin
dc.date.accessioned
2020-07-27T15:40:14Z
dc.date.available
2020-07-27T15:40:14Z
dc.date.submittedpl
2018-06-29
dc.fieldofstudypl
matematyka finansowa
dc.identifier.apdpl
diploma-123069-178870
dc.identifier.projectpl
APD / O
dc.identifier.uri
https://ruj.uj.edu.pl/xmlui/handle/item/227467
dc.languagepl
pol
dc.subject.enpl
Monte Carlo methods, Markov Chain Monte Carlo, markov chains, stationarity, Metropolis algorithm, Metropolis-Hastings algorithm, Gibbs sampler, bayesian inference, bayesian modelling, a priori distribution, likelihood, a posteriori distribution, logistic regression, ring-recovery, birds' survival rates, lapwing (vanellus vanellus), burn-in, proposal distribution, jumping distribution, acceptance rate, stationary distribution, random variable, probability distribution, density, conditional distribution, marginal distribution
dc.subject.plpl
metody Monte Carlo, markowowskie metody Monte Carlo, łańcuchy Markowa, stacjonarność, algorytm Metropolisa, algorytm Metropolisa-Hastingsa, próbnik Gibbsa,, wnioskowanie bayesowskie, modele bayesowskie, rozkład a priori, rozkład z próby, rozkład a posteriori, regresja logistyczna, obrączkowanie ptaków, przeżywalność ptaków, czajka zwyczajna (vanellus vanellus), burn-in, rozkład propozycji, poziom akceptacji, rozkład stacjonarny, zmienna losowa, wektor losowy, rozkład prawdopodobieństwa, gęstość, rozkład warunkowy, rozkład brzegowy
dc.titlepl
Markowowskie metody Monte Carlo w modelu obrączkowania ptaków
dc.title.alternativepl
Ring-recovery model using Markov Chain Monte Carlo
dc.typepl
master
dspace.entity.type
Publication
Affiliations

* The migration of download and view statistics prior to the date of April 8, 2024 is in progress.

Views
44
Views per month
Views per city
Warsaw
11
Wroclaw
5
Krakow
4
Lublin
3
Dublin
2
Torun
2
Zielona Góra
2
Bydgoszcz
1
Gdansk
1
Kluczbork
1

No access

No Thumbnail Available