Simple view
Full metadata view
Authors
Statistics
Markowowskie metody Monte Carlo w modelu obrączkowania ptaków
Ring-recovery model using Markov Chain Monte Carlo
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
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
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.
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.en | 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. | pl |
dc.abstract.pl | 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. | pl |
dc.affiliation | Wydział Matematyki i Informatyki | pl |
dc.area | obszar nauk ścisłych | pl |
dc.contributor.advisor | Ombach, Jerzy - 131170 | pl |
dc.contributor.author | Kozieł, Marcin | pl |
dc.contributor.departmentbycode | UJK/WMI2 | pl |
dc.contributor.reviewer | Ombach, Jerzy - 131170 | pl |
dc.contributor.reviewer | Pitera, Marcin | pl |
dc.date.accessioned | 2020-07-27T15:40:14Z | |
dc.date.available | 2020-07-27T15:40:14Z | |
dc.date.submitted | 2018-06-29 | pl |
dc.fieldofstudy | matematyka finansowa | pl |
dc.identifier.apd | diploma-123069-178870 | pl |
dc.identifier.project | APD / O | pl |
dc.identifier.uri | https://ruj.uj.edu.pl/xmlui/handle/item/227467 | |
dc.language | pol | pl |
dc.subject.en | 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 | pl |
dc.subject.pl | 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 | pl |
dc.title | Markowowskie metody Monte Carlo w modelu obrączkowania ptaków | pl |
dc.title.alternative | Ring-recovery model using Markov Chain Monte Carlo | pl |
dc.type | master | pl |
dspace.entity.type | Publication |