Cтраница 1
Несмещенная оценка параметра b в (8.54) увеличивает дисперсию окончательной оценки. Но такая потеря точности может быть вполне допустимой. [1]
Вопрос существования несмещенных оценок параметров распределения и функций от параметров распределения для стандартных выборок ( / 20, s 1) и методов получения таких оценок исследован основательно. Если семейство распределений ( гипотеза) Р е f допускает необходимую и достаточную статистику, которая не является тривиальной достаточной статистикой, то несмещенная оценка минимального риска ( с минимальной дисперсией) должна быть функцией минимальных достаточных статистик. Если существует полная достаточная статистика, то всякая функция от нее является равномерно наилучшей несмещенной оценкой своего математического ожидания. [2]
Тогда статисти-ка tn называется несмещенной оценкой параметра 9, или оценкой без постоянной ( систематической) погрешности. [3]
В разработанной программе для получения несмещенных оценок параметров объекта используется 3 - й расширенный матричный метод. Однако не рекомендуется с его помощью пытаться получить С-параметры модели шума. Дело в том, что используемая при этом оценка сигнала получается в результате фильтрации входных значений U и Y оценками АРСС-моделей В / А и С / D, что обуславливает низкую точность С-параметров. [4]
Если 6, и 92 - две различные несмещенные оценки параметра 9 и если М [ ( б, - б) 2 ] М [ ( &2 - б) 2 ] Для всех 92, то 9, называют эффективной оценкой параметра б, а 92 - неэффективной оценкой этого параметра. [5]
Убедиться в том, что X - оптимальная несмещенная оценка параметра ( л в любом случае, известен или нет параметр К. [6]
Если 6, и 62 - две различные несмещенные оценки параметра 9 и если М [ ( 6, - 9) 2 ] М [ ( 62 - 9) 2 ] для всех 62, то 6, называют эффективной оценкой параметра 6, а 62 - неэффективной оценкой этого параметра. [7]
Решим вначале задачу построения по совокупности [ XTJ линейных несмещенных оценок Хц параметров Xj, при которых линейный член (17.35) обладает наименьшей дисперсией. [8]
Таким образом, оценки Л и В являются несмещенными оценками параметров Л и В. [9]
Но если веса известны не точно, то эти несмещенные оценки параметров могут не обладать минимальными дисперсиями. [10]
Смысл этого неравенства заключается в том, что дисперсия несмещенной оценки параметра ( а для несмещенных оценок величина дисперсии определяет точность оценивания) не может быть меньше обратной величины информационного количества Фишера. [11]
Из (4.61) следует важность точной коррекции базисного сигнала для получения несмещенных оценок параметров. [12]
Несмещенную оценку А, которая имеет наименьшую дисперсию среди всех возможных несмещенных оценок параметра А, вычисленных по выборкам одного и того же объема, называют эффективной оценкой. [13]
МИТТ выгодно отличается от прочих методов определения порядка тем, что для получения несмещенных оценок параметров в условиях цветного шума нам не нужно знать порядок ПФ шума. [14]
Выше при построении теории нормальной регрессии мы сначала установили, что в классе алгоритмов, приводящих к несмещенным оценкам параметров, метод наименьших квадратов является наилучшим, а затем в более широком классе алгоритмов нашли алгоритмы лучшие, чем метод наименьших квадратов. Сейчас мы поступим аналогичным образом. Сначала покажем, что в некотором узком классе алгоритмов оценивания параметров метод наименьших квадратов является наилучшим, а затем укажем в более широком классе алгоритмов способы оценивания лучшие, чем метод наименьших квадратов. [15]