Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39248Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Καππάς, Ιωάννης | el |
| dc.contributor.author | Kappas, John | en |
| dc.date.accessioned | 2025-07-31T11:44:20Z | - |
| dc.date.available | 2025-07-31T11:44:20Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39248 | - |
| dc.rights | Attribution 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by/3.0/us/ | * |
| dc.subject | Nonparametric statistics | en |
| dc.subject | Pitman alternatives | en |
| dc.subject | Kernel method | en |
| dc.title | Μία μη παραμετρική μέθοδος για ελέγχους καλής προσαρμογής συναρτήσεων πυκνότητας πιθανότητας με τη μέθοδο των πυρήνων και η διερεύνηση της επίδρασης της παραμέτρου εύρους ζώνης του ιστογράμματος στην ισχύ του στατιστικού ελέγχου | el |
| dc.title | A non-parametric method for goodness-of-fit tests of probability density functions using the kernel method and an investigation into the effect of the histogram bandwidth parameter on the power of the statistical test | en |
| dc.type | masterThesis | - |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Μη παραμετρική στατιστική | el |
| heal.classification | Nonparametric statistics | en |
| heal.dateAvailable | 2025-07-31T11:45:20Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών | el |
| heal.publicationDate | 2025-06-25 | - |
| heal.abstract | Σε αυτήν τη διατριβή παρουσιάζεται η εργασία των Bagkavos et al. (2023) για την περίπτωση του μονοδιάστατου δείγματος. Συγκεκριμένα αναλύεται ένας μη παραμετρικός έλεγχος καλής προσαρμογής για συνεχείς παραμετρικά εκτιμώμενες συναρτήσεις πυκνότητας πιθανότητας στη μονοδιάστατη περίπτωση. Ο μηχα- νισμός του ελέγχου βασίζεται στην ανίχνευση τοπικών διαφορών μεταξύ μίας μη παραμετρικής εκτίμησης της άγνωστης συνάρτησης πυκνότητας πιθανότητας, με τη μέθοδο του ιστογράμματος, και της δοθείσας υπό την μηδενική υπόθεση παραμετρικά εκτιμημένης συνάρτησης πυκνότητας πιθανότητας. Η μελέτη παρέχει θεωρητικά αποτελέσματα, συμπεριλαμβανομένης της αναλυτικής περιγραφής της ασυμπτωτικής κατανομής του στατιστικού ελέγχου τόσο υπό τη μηδενική όσο και υπό την εναλλακτική υπόθεση όταν αυτή είναι της μορφής Pitman. Για αυτές τις μορφές εναλλακτικών υποθέσεων περιλαμβάνονται κλειστοί τύποι για την ασυμπτωτική ισχύ της στατιστικής συνάρτησης. Για τη βελτίωση του ρυθμού της σύγκλισης του στατιστικού ελέγχου στην κανονική κατανομή, αναπτύσσε- ται στο άρθρο των Bagkavos et al. (2023), μία μέθοδος επιλογής εύρους ζώνης του πυρήνα, ο οποίος χρησιμοποιείται ως συνάρτηση βάρους στην κατασκευή του ελέγχου, βάση μίας ανισότητας τύπου Berry-Esseen. Επιπλέον, χρησιμοποιείται μία προσεγγιστική bootstrap μέθοδος για τον προσδιορισμό των κατάλληλων κρίσιμων σημείων για εφαρμογές σε πεπερασμένα δείγματα. Μία εκτενής προ- σομοίωση, που διεξάγεται υπό εναλλακτικές υποθέσεις τύπου Pitman, συγκρίνει την απόδοση του προτεινόμενου ελέγχου με καθιερωμένες μεθόδους από τη βι- βλιογραφία, αναδεικνύοντας την ισχυρή απόδοση και την ανταγωνιστική αποτε- λεσματικότητα του σε σύγκριση με γνωστούς μη παραμετρικούς ελέγχους καλής προσαρμογής. Τέλος, παρουσιάζεται ο κύριος σκοπός της διατριβής που είναι η διερεύνηση της ανεξαρτησίας του ελέγχου από μεταβολές της παραμέτρου του εύρους ζώνης του ιστογράμματος, σε δείγματα πεπερασμένου μεγέθους. | el |
| heal.abstract | This dissertation presents the work of Bagkavos et al. (2023) for the case of a univariate sample. Specifically, it analyzes a non-parametric goodness-of-fit test for continuous, parametrically estimated probability density functions in the one-dimensional case. The test’s mechanism is based on detecting local differences between a non-parametric estimate of the unknown probability den- sity function, using the histogram method, and the parametrically estimated probability density function given under the null hypothesis. The study pro- vides theoretical results, including an analytical description of the asymptotic distribution of the test statistic under both the null and the alternative hy- pothesis, when the latter is of the Pitman type. For these forms of alternative hypotheses, closed-form formulas for the asymptotic power of the test function are included. To improve the rate of convergence of the test statistic to the nor- mal distribution, a method for selecting the kernel bandwidth—which is used as a weight function in the test’s construction—is developed in the article by Bagkavos et al. (2023), based on a Berry-Esseen type inequality. Furthermore, an approximate bootstrap method is used to determine the appropriate critical values for applications in finite samples. An extensive simulation study, con- ducted under Pitman-type alternative hypotheses, compares the performance of the proposed test with established methods from the literature, highlight- ing its strong performance and competitive efficiency in comparison with well- known non-parametric goodness-of-fit tests. Finally, the main purpose of this dissertation is presented, which is to investigate the test’s independence from variations in the histogram bandwidth parameter in finite-sized samples. | en |
| heal.advisorName | Μπάγκαβος, Δημήτριος | el |
| heal.committeeMemberName | Μπάγκαβος, Δημήτριος | el |
| heal.committeeMemberName | Μπατσίδης, Απόστολος | el |
| heal.committeeMemberName | Νικολακόπουλος, Σταύρος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μαθηματικών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 98 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΑΘ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. Καππάς Ιωάννης (2025).pdf | 2.78 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
