Cтраница 2
Приведите пример, когда W Ф 1ц, но дисперсионная матрица стандартной МНК-оценки совпадает с дисперсионной матрицей обобщенной МНК-оценки. [16]
И имеется априорное распределение с заданными вектором средних и дисперсионной матрицей. НЛН-оценок в этом случае сводится к классической. [17]
Полученное соотношение (11.24) представляет собой условное выражение оценок диагональных членов дисперсионной матрицы Dg g при статистической независимости определяемых оценок. [18]
Задачи планирования в общем виде, связанные с некоторыми требованиями к дисперсионной матрице [4], очень сложны и во многих случаях практически неразрешимы. Однако одним из моментов планирования эксперимента может быть поиск практически доступных экспериментальных условий, снижающих дисперсии контролируемых переменных и величин У - Такой поиск может быть легко осуществлен любым исследователем, свободно владеющим обыкновенными законами распространения ошибок. [19]
Матрица с элементами D ( Xi9 Xj) называется матрицей вторых моментов или иногда дисперсионной матрицей или матрицей ошибок. [20]
Для характеристики точности оценок параметров модели, построенной по плану, наряду с дисперсионной матрицей оценок параметров используется нормированная дисперсионная матрица оценок параметров. [21]
В точке минимума S вычисляются также среднее квадратичное отклонение между опытными и расчетными величинами и дисперсионная матрица параметров. [22]
Приведите пример, когда W Ф 1ц, но дисперсионная матрица стандартной МНК-оценки совпадает с дисперсионной матрицей обобщенной МНК-оценки. [23]
В случае многооткликовой модели в роли аналогичного критерия может выступать средний по области детерминант или след дисперсионной матрицы оценки векторного отклика. Аналогичные критерии могут быть предложены и для уточнения оценок переменных состояния. [24]
Если функционал Ф строго выпуклый, то все непрерывные оптимальные планы имеют одну и ту же дисперсионную матрицу. [25]
Для характеристики точности оценок параметров модели, построенной по плану, наряду с дисперсионной матрицей оценок параметров используется нормированная дисперсионная матрица оценок параметров. [26]
В зависимости от вида функционала различают: А - оптимальные планы, минимизирующие сумму диагональных элементов ( след) дисперсионной матрицы; D - оптимальные планы, минимизирующие определитель дисперсионной матрицы; Е - оптимальные планы, минимизирующие максимальное собственное значение дисперсионной матрицы; G - оптимальные планы, обеспечивающие наименьшую по всем планам максимальную дисперсию предсказанных значений наблюдаемой переменной в допустимой области X и др. В случае нормального распределения критерии A, D и Е соответствуют уменьшению доверительной области для параметров. [27]
Поэтому для Zn и Z, фигурирующих в ( 23), получаем, что DZn - DZ, т.е. дисперсионные матрицы сходятся поэлементно. [28]
В зависимости от вида функционала различают: А - оптимальные планы, минимизирующие сумму диагональных элементов ( след) дисперсионной матрицы; D - оптимальные планы, минимизирующие определитель дисперсионной матрицы; Е - оптимальные планы, минимизирующие максимальное собственное значение дисперсионной матрицы; G - оптимальные планы, обеспечивающие наименьшую по всем планам максимальную дисперсию предсказанных значений наблюдаемой переменной в допустимой области X и др. В случае нормального распределения критерии A, D и Е соответствуют уменьшению доверительной области для параметров. [29]
Важная составная часть программ минимизации - решение систем линейных уравнений, которое используется при вычислении вектора направления ( VI 1 12), решении нелинейных систем ( VI 1 59) и получении дисперсионной матрицы параметров в точке минимума. [30]