پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,976,654 |
| تعداد دریافت فایل اصل مقاله | 89,648,879 |
پیشگویی فضایی بیزی برای یک میدان تصادفی تبدیل یافته | ||
| مجله علوم دانشگاه تهران (منتشر نمی شود) | ||
| مقاله 10، دوره 3، شماره 0 - شماره پیاپی 1333، مرداد 1383 اصل مقاله (551.66 K) | ||
| نویسندگان | ||
| مجید جعفری خالدی؛ محسن محمدزاده* | ||
| چکیده | ||
| یکی از موضوعات مهم در تحلیل داده‌های فضایی، پیشگویی مقدار نامعلوم یک میدان تصادفی در موقعیتهای مشخص براساس بردار مشاهدات است. اگر میدان تصادفی مورد نظر گاوسی با ساختار میانگین و کوواریانس پارامتری باشد، پیشگوی بهینه و میانگین مجذور خطای آن قابل محاسبه است. اما در عمل با موارد زیادی مواجه می‌شویم که مشاهدات از مدل گاوسی تبعیت نمی‌کنند. در اینگونه موارد اگر تبدیلی غیر خطی از میدان تصادفی، گاوسی باشد پیشگویی فضایی امکان پذیر می‌گردد. اما اگر این تبدیل نامعلوم باشد، می‌توان آنرا متعلق به یک خانواده از تبدیلات پارامتری دانست. در اینصورت پیشگوی فضایی علاوه بر پارامترهای مدل به پارامتر تبدیل نیز وابسته خواهد شد و معمولا برآوردهای حداکثر درستنمایی آنها تعیین و در پیشگوی بهینه جایگذاری می‌شود. اما این کار موجب تردید در بهینگی پیشگوی حاصل خواهد شد. از طرف دیگر, معمولا تعیین میانگین مجذور خطای این پیشگو یا حتی ارائه تقریب مناسبی برای آن بسیار دشوار یا نشدنی است. لذا در این مقاله برای فائق آمدن بر این مسائل, رهیافت بیزی اتخاذ گردیده و با فرض آنکه پارامترهای مدل و تبدیل متغیرهایی تصادفی هستند، پیشگوی بهینه و میانگین مجذور خطای آن تعیین می‌شوند و نحوه اجرای این تکنیک در یک مثال کاربردی ارائه خواهد شد. | ||
| کلیدواژه‌ها | ||
| پیشگویی فضایی بیزی؛ خانواده تبدیلات؛ داده‌های فضایی؛ میدان تصادفی | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| A common scientific purpose in spatial data analysis is prediction of a random field in unmeasured sites based on measured data in some sample sites. If the random field is Gaussian with parametric mean and covariance functions, optimal predictor and its mean square error can be determined. But in some applications, the data give evidence of non-Gausian features. In this case, if a nonlinear transformation of the random field is Gaussian, the spatial prediction is carried out. When the transformation is unknown, we assumed that it is belong to a certain parametric family of transformations. If the maximum likelihood estimators of the model parameters is determined and plugged in optimal predictor, optimality of the obtained predictor is doubt and, often, we can`t determine its MSE. Instead, in this paper, using the Bayesian approach, we determine the optimal predictor and its MSE. In a numerical example our method is used to deriving the Bayesian spatial prediction of rainfall at a given site. | ||
| کلیدواژه‌ها [English] | ||
| Bayesian Spatial Prediction, Family of Transformations, Random Field, Spatial Data | ||
|
آمار تعداد مشاهده مقاله: 887 تعداد دریافت فایل اصل مقاله: 542 |
||