Cтраница 2
Одним из наиболее универсальных методов оценки неизвестных параметров зависимостей является метод наименьших квадратов, описание которого применительно к обработке пуассоновских потоков приведено ниже. [16]
Рекуррентные алгоритмы вида (12.27) для оценок неизвестных параметров функций называются алгоритмами стохастической аппроксимации. Суть метода стохастической аппроксимации заключается в том, что на каждом шаге изменение вектора оцениваемых параметров производится таким образом, чтобы за счет поступления новых экспериментальных данных улучшить прогнозирующие свойства модели. [17]
Получающиеся в результате минимизации функционала (2.22) оценки неизвестных параметров называются оценками наименьших квадратов, а сам метод оценивания - методом наименьших квадратов. [18]
Если же по данным нужно Найти оценки неизвестных параметров методом максимального правдоподобия, то расчеты становятся гораздо сложнее. Простое, но очень дорогостоящее решение состоит в том, чтобы генерировать искусственные события методами Монте-Карло. [19]
После того как задан способ получения оценок неизвестных параметров и параметрических функций, можно говорить о дисперсиях этих оценок. [20]
Эта задача решается любым методом нахождения оценок неизвестных параметров распределений. [21]
Эта задача решается любым методом нахождения оценок неизвестных параметров распределений. [22]
В этом случае задача сводится к оценке неизвестных параметров регрессии и определению их зависимости от действующих факторов. [23]
До последнего времени преимущественное распространение при оценке неизвестных параметров функций распределения имеет метод моментов. В этом методе неизвестные параметры функции распределения выражаются через статистические моменты эмпирического распределения. Однако моментные оценки некоторых параметров ( например, С и С3) могут содержать систематическую погрешность за счет краткости прошлых рядов наблюдений. [24]
Эти соображения заставляют обратиться к итерационным методам оценки неизвестных параметров распределений. Рассмотрим применение методов адаптации к решению изложенной задачи. [25]
Метод моментов является далеко не лучшим методом оценки неизвестных параметров функций распределения, так как он не позволяет извлекать из рядов наблюдений всей содержащейся в них информации. Так как ряды прошлых наблюдений обычно невелики, то весьма важно использовать всю содержащуюся в них информацию. [26]
ОЦЕНОК ТЕОРИЯ, определяет методы и способы оценок неизвестных параметров распределения совокупности или решения задачи предсказания исходя из экспериментальных данных. [27]
В нашем рассмотрении Др - матрица вторых моментов оценок неизвестных параметров задачи; однако если задача нелинейная, то соотношение (8.26) выполняется лишь приближенно. [28]
Получающиеся в результате минимизации функционала ( 8 5) оценки неизвестных параметров называются оценками наименьших квадратов, а сам метод оценивания - методом наименьших квадратов. [29]
Метод максимального правдоподобия является одним из наиболее эффективных методов оценки неизвестных параметров. [30]