Coraz więcej sygnałów wskazuje, ze zmienia się stosunek społeczności matematyków do wyżej wymienionej kwestii. Do niedawna stopnie naukowe i tytuł naukowy z nauk matematycznych miały być przyznawane jedynie za twórczy wkład w rozwój tej dziedziny. Ostatnio, przy okazji jednego z postępowań o nadanie tytułu naukowego, Rada Wydziału MIM UW stanęła implicite (poprzez wynik głosowania w tym postępowaniu) na stanowisku, iż owe stopnie i tytuł należą się także za mniej liczący się wkład w nauki matematyczne, ale za to istotny wkład w inne obszary nauki, uzyskany dzięki twórczemu i niebanalnemu zastosowaniu i/lub zmodyfikowaniu znanych metod z dziedziny nauk matematycznych.
EN
More and more signals indicates that the ratio of the community of mathematicians to the above mentioned issues. Until recently, the degrees and a degree in mathematical sciences were to be granted only for their creative contribution to the development of this field. Recently, on the occasion of one of the procedures for granting the academic title, the Council of the Faculty of Mathematics and Mechanics, University of Warsaw stood implicitly (by the outcome of the vote in the proceedings) the view that these steps and title are also less considerate contribution to the mathematical sciences, but as an important contribution to other areas of science, obtained by creatively and original use and / or modify the known methods of the mathematical sciences.
In this report, the problem of testing for a difference between conditional variance fnuctions (or volatilites) of two independent nonlinear time series is investigated by means of an extensive simulation study. Empirical results on the properties of the test proposed confirm the test's validity, at least for some types of heteroscedasticity as contrasted with homnoscedastic erroos as well as for some types of differences in heteooscedasticity. Moreover, interesting properties of several estimators of conditional mean, variance and fourth moment functions are empirically found too.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In the report, an algorithm for positron emission tomography (PET) image reconstruction is proposed. The algorithm belongs to the family of Markov chain Monte Carlo methods with auxiliary variables. The well-known model of Vardi et al. (1985) is used for PET. The fact that an image consists of finitely many, in fact relatively few, gray-levels of unknown values is explicity used to advantage: in the algorithm, the levels are represented by a fixed number of labels, so that at one step of the algorithm current approximation to the image is easily described by a configuration of finitely many labels and at another step real-valued intensities are assigned to each label. The algorithm decomposes naturally into the image restoration algorithm and the additional reconstruction (of generalized deconvolution) step. Simulation results are included which suggest that the method proposed is truly reliable and worth further study leading to practical implementation.
PL
W raporcie przedstawiony jest nowy algorytm rekonstrukcji obrazów uzyskiwanych w tomografii pozytronowej (positron emission tomography, PET). Algorytm składa się z części służącej do oczyszczania poissonowsko zaszumionych obrazów opisywanych znaną liczbą intensywności Poissona oraz z kroku służącego do rekonstrukcji (uogólnionej dekonwulcji) obrazu. Zaproponowany algorytm nalezy do rodziny metod Monte-Carlo typu łańcuchów Markowa (Markov chain Monte Carlo) ze zmiennymi pomocniczymi typu Swendsena-Wanga oraz "rozprzęganiem" podobnym do zaproponowanego przez Higdona. Zadanie PET rozwiązane jest dla znanego modelu Vardiego i in. (1985). Zawarte w raporcie wyniki badań symulacyjnych pozwalają algorytm uznać za zdecydowanie zasługujący na opracowanie jego praktycznej implementacji. (W obecnej postaci algorytm jest wiarygodny ale zbyt wolny; jego szybka wersja będzie przedmiotem oddzielnego opracowania).
6
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
An important step prior to constructing a classifier for a very large data set is feature selection. With many problems it is possible to find a subset of attributes that have the same discriminative power as the full data set. There are many feature selection methods but in none of them are Rough Set models tied up with statistical argumentation. Moreover, known methods of feature selection usually discard shadowed features, i.e. those carrying the same or partially the same information as the selected features. In this study we present Random Reducts (RR) - a feature selection method which precedes classification per se. The method is based on the Monte Carlo Feature Selection (MCFS) layout and uses Rough Set Theory in the feature selection process. On synthetic data, we demonstrate that the method is able to select otherwise shadowed features of which the user should be made aware, and to find interactions in the data set.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.