Gerrymandering - krojenje izbornih jedinica i Metropolis-Hastings algoritam

diplomski rad

• Autor: Nikolina Pleić
• Mentor: Matija Kazalicki (mentor)
• Član povjerenstva: Matija Kazalicki (predsjednik povjerenstva)
• Član povjerenstva: Marko Tadić (član povjerenstva)
• Član povjerenstva: Marcela Hanzer (član povjerenstva)
• Član povjerenstva: Vjekoslav Kovač (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Matematički odsjek); Zagreb
• Datum i država obrane: 2019-03-01, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Matematika

Sažetak

U prvom poglavlju definirali smo Markovljeve lance na općenitom skupu stanja. Definirali smo pojmove kao što su prijelazna jezgra Markovljevog lanca u Definiciji 1.0.1, invarijantna mjera u Definiciji 1.0.7 te detaljna ravnoteža. Pokazali smo da je uvjet detaljne ravnoteže dovoljan uvjet da bi Markovljev lanac imao invarijantnu mjeru. Nakon toga u drugom poglavlju primijenili smo tu teoriju na Markovljev lanac dobiven Metropolis-Hastings algoritmom. Naveli smo dovoljne uvjete kako bi dobiveni lanac imao stacionarnu distribuciju. U Teoremu 2.5.3 objedinili smo rezultate o egzistenciji stacionarne distribucije i konvergenciji lanca k stacionarnoj distribuciji. U trećem poglavlju promatrali smo politički problem gerrymanderinga te smo ga vizualizirali na primjeru američke države North Caroline. Uveli smo evaluacijsku funkciju J kako bismo svakom izbornom planu dodijelili vjerojatnost takvu da izborni planovi s manjom vrijednošću evaluacijske funkcije budu više vjerojatni. Pomoću evaluacijske funkcije definirali smo ciljanu vjerojatnosnu distribuciju. Konačno, predložili smo način stvaranja novih izbornih raspodjela koristeći Metropolis-Hastings algoritam.

Sažetak (engleski)

In the first chapter we discussed the theory of Markov chains on a general state space. We defined terms such as transition kernel in Definition 1.0.1, invariant measure in 1.0.7 and detailed balance condition. We have shown that the detailed balance condition is sufficient for a Markov chain to have an invariant measure. After that, in the second chapter, we have applied that theory to a Markov chain produced by Metropolis-Hastings algorithm. We list the sufficient conditions for the produced Markov chain to have a stationary distribution. In Theorem 2.5.3 we combine results of existence of stationary distribution and the convergence of a chain to the stationary distribution. In third chapter, we examined the political problem of gerrymandering. We visualized it on an example of an US state of North Carolina. We introduced a score function J in order to assign a value to each redistricting so that redistrictings with lower scores are more likely to occur. Using this score function we have defined a target distribution. Finally, we proposed a way of creating new redistrictings using a standard Metropolis-Hastings algorithm.

• Ključne riječi: Markovljev lanac; prijelazna jezgra; invarijantna mjera; detaljna ravnoteža; Metropolis-Hastings algoritam; gerrymandering
• Ključne riječi (engleski): Markov chain; transition kernel; invariant measure; detailed balance condition; Metropolis-Hastings algorithm; gerrymandering
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:320271
• Studijski program: Naziv: Matematička statistika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra matematike (mag. math.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2019-09-03 12:06:23