Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Επιστημών και Τεχνολογίας της Πληροφορίας / School of Informatics Τμήμα Πληροφορικής / Department of Informatics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Analysis of supermarket sales data using independent mixture and hidden Markov models

Εναλλακτικός τίτλος :	Ανάλυση δεδομένων από πωλήσεις supermarket με την χρήση ανεξάρτητων μίξεων και κρυπτομαρκοβιανών μοντέλων

Δημιουργός :	Asimaki, Kyriaki Ασημάκη, Κυριακή

Συντελεστής :	Besbeas, Panagiotis (Επιβλέπων καθηγητής) Kyriakidis, Epaminondas (Εξεταστής) Psarakis, Stelios (Εξεταστής) Athens University of Economics and Business, Department of Statistics (Εξεταστής)

Τύπος :	Text

Φυσική περιγραφή :	xiv, 42 p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=6345

Περίληψη :	This thesis deals with unbounded count data. The most common distribution for modeling such data is the Poisson distribution. However, in many real-world situations the sample variance is greater than the sample mean and observations are dependent like the data set which we analyze, namely weekly soap sales. First to deal with these problems, we use independent mixture models with Poisson, negative binomial and combinations of Poisson and negative binomial components which we term hybrid models. We demonstrate standard error and confidence interval estimation from hybrid models using asymptotic theory. Subsequently, we use Poisson and negative binomial hidden Markov models. These models are a popular approach for modeling sequential data and are based on Markov chain assumptions of a first or higher-order.Lastly, we compare results and demonstrate standard error estimation of hidden Markov models which are selected and corresponding confidence intervals with the bootstrap method. Στην παρούσα διπλωματική επεξεργαζόμαστε μετρήσιμα δεδομένα. Η πιο συχνή κατανομή για την μοντελοποίηση αυτών των δεδομένων είναι η κατανομή Poisson. Όμως πολλές φορές σε πραγματικά δεδομένα η δειγματική διακύμανση είναι μεγαλύτερη από τον δειγματικό μέσο και οι παρατηρήσεις είναι εξαρτημένες όπως τα δεδομένα τα οποία θα αναλύσουμε, εβδομαδιαίες πωλήσεις σαπουνιών. Αρχικά για να αντιμετωπίσουμε αυτά τα προβλήματα, χρησιμοποιήσαμε ανεξάρτητα μικτά μοντέλα Poisson, negative binomial, και έναν συνδυασμό από μία Poisson και μία negative binomial, το οποίο λέγεται υβριδικό μοντέλο. Για τις εκτιμήσεις του υβριδικού μοντέλο υπολογίσαμε τις τυπικές αποκλίσεις και τα αντίστοιχα διαστήματα εμπιστοσύνης χρησιμοποιώντας ασυμπτωτική θεωρία. Έπειτα, συνεχίσαμε την ανάλυση χρησιμοποιώντας κρυπτομαρκοβιανά μοντέλα (hidden Markov models). Αυτά τα μοντέλα είναι γνωστά για την μοντελοποίηση σειριακών δεδομένων και βασίζονται στη Μαρκοβιανή αλυσίδα πρώτης ή μεγαλύτερης τάξης. Τέλος, συγκρίναμε τα αποτελέσμα και υπολογίσαμε τις τυπικές αποκλίσεις των εκτιμήσεων του Μαρκοβιανού μοντέλου που επιλέξαμε με την μέθοδο του bootstrap.

Περίληψη :

This thesis deals with unbounded count data. The most common distribution for modeling such data is the Poisson distribution. However, in many real-world situations the sample variance is greater than the sample mean and observations are dependent like the data set which we analyze, namely weekly soap sales. First to deal with these problems, we use independent mixture models with Poisson, negative binomial and combinations of Poisson and negative binomial components which we term hybrid models. We demonstrate standard error and confidence interval estimation from hybrid models using asymptotic theory. Subsequently, we use Poisson and negative binomial hidden Markov models. These models are a popular approach for modeling sequential data and are based on Markov chain assumptions of a first or higher-order.Lastly, we compare results and demonstrate standard error estimation of hidden Markov models which are selected and corresponding confidence intervals with the bootstrap method.
Στην παρούσα διπλωματική επεξεργαζόμαστε μετρήσιμα δεδομένα. Η πιο συχνή κατανομή για την μοντελοποίηση αυτών των δεδομένων είναι η κατανομή Poisson. Όμως πολλές φορές σε πραγματικά δεδομένα η δειγματική διακύμανση είναι μεγαλύτερη από τον δειγματικό μέσο και οι παρατηρήσεις είναι εξαρτημένες όπως τα δεδομένα τα οποία θα αναλύσουμε, εβδομαδιαίες πωλήσεις σαπουνιών. Αρχικά για να αντιμετωπίσουμε αυτά τα προβλήματα, χρησιμοποιήσαμε ανεξάρτητα μικτά μοντέλα Poisson, negative binomial, και έναν συνδυασμό από μία Poisson και μία negative binomial, το οποίο λέγεται υβριδικό μοντέλο. Για τις εκτιμήσεις του υβριδικού μοντέλο υπολογίσαμε τις τυπικές αποκλίσεις και τα αντίστοιχα διαστήματα εμπιστοσύνης χρησιμοποιώντας ασυμπτωτική θεωρία. Έπειτα, συνεχίσαμε την ανάλυση χρησιμοποιώντας κρυπτομαρκοβιανά μοντέλα (hidden Markov models). Αυτά τα μοντέλα είναι γνωστά για την μοντελοποίηση σειριακών δεδομένων και βασίζονται στη Μαρκοβιανή αλυσίδα πρώτης ή μεγαλύτερης τάξης. Τέλος, συγκρίναμε τα αποτελέσμα και υπολογίσαμε τις τυπικές αποκλίσεις των εκτιμήσεων του Μαρκοβιανού μοντέλου που επιλέξαμε με την μέθοδο του bootstrap.

Λέξη κλειδί :	Independent mixture models Hidden Markov Models (HMMs) Delta method Bootstrap method Supermarket sales data Ανεξάρτητα μικτά μοντέλα Κρυπτομαρκοβιανά μοντέλα Δέλτα μέθοδος Μέθοδος bootstrap Πωλήσεις supermarket

Διαθέσιμο από :	2018-06-30 16:52:58

Ημερομηνία έκδοσης :	06/29/2018

Ημερομηνία κατάθεσης :	2018-06-30 16:52:58

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Asimaki_2018.pdf

Τύπος: application/pdf

Είσοδος