Метод максимального правдоподобия Применение

Метод максимального правдоподобия — Применение 351, 352 [c.494]

Ниже рассмотрены различные задачи оценивания параметров технического состояния с единых позиций, основанных на применении сбалансированного метода максимального правдоподобия [91]. [c.199]

Ранее рассмотрены возможности применения метода максимального правдоподобия к плану испытаний без восстановления до времени Т или числа отказов г, в результате реализации которого структура множества полученных данных может изменяться от опыта к опыту. Полученные уравнения, как правило, являются трансцендентными, и решение их занимает много времени. Указывается на существование условий целесообразного использования вычислительных машин и [c.503]

Применение метода максимального правдоподобия рассмотрим на примере нахождения оценок параметров двух- и однопараметрических законов Вейбулла, экспоненциального и нормального, наиболее часто используемых при рассмотрении отказов, износов, деформаций изделий автомобилестроения. [c.26]

Таким образом, рассмотренные примеры показывают, что применение метода максимального правдоподобия для определения точечных оценок параметров распределения сопряжено е трудоемкими вычислениями и затруднительно без использования ЭВМ. [c.29]

Метод максимального правдоподобия представляет собой один из самых эффективных методов в смысле обеспечения минимума дисперсии оцениваемых параметров движения [115]. Метод является строгим в математическом (теоретико-вероят постном) плане, и его применение особенно оправдано в том случае, когда в составе обрабатываемой информации имеются как некоррелированные, так и коррелированные измерения. [c.158]

Применение пошаговой регрессии и построение модели Идентификация моделей в пространстве состояний и нелинейных моделей методом максимального правдоподобия [c.174]

Метод максимального (наибольшего) правдоподобия был предложен английским статистиком Фишером, а в частных вариантах использовался еще Гауссом. Ряд свойств оценок максимального правдоподобия определяет преимущества этого метода при решении базовой задачи точечного оценивания. Сильная состоятельность, асимптотическая несмещенность, асимптотическая нормальность, асимптотическая эффективность оценок максимального правдоподобия обеспечивает их преимущества в задачах накопления информации, при работе с большими массивами (базами данных). Эффективность второго порядка вьщеляет этот метод среди других асимптотически эффективных. Связь оценок максимального правдоподобия с достаточными статистиками делает этот метод особенно привлекательным при оценивании параметров распределений из экспоненциального семейства. Инвариантность оценивания по методу максимального правдоподобия обеспечивает успешное применение этого метода при оценивании функций от параметров распределений (специальных показателей надежности, многоуровневых моделей оценивания). [c.503]

Оценки максимального правдоподобия (ОМП) по группированным, усеченным и цензурированным данным. На возможности расширения условий применения метода максимального правдоподобия указывал Крамер. Эти условия включают случаи, когда замеры коррелированны или когда они образуют несколько выборок из различных распределений. [c.503]

Удовлетворяющие этому критерию СТАТИСТИЧЕСКИЕ методь разделяют на две группы. Методы первой группы — метод максимального правдоподобия и метод наименьших квадратов — требуют для своего применения полного объема информации, которую необходимо собрать (накопить) в течение проводимы сеансов измерений. Методы второй группы (к ним относят у метод динамической фильтрации) используют не полный объек информации, а как бы накапливаемый объем (по мере увеличения количества проводимых измерительных сеансов). [c.158]

Обработка измерений по методу наименьших квадратов является частным случаем метода максимального правдоподобия, а его применение является строго обоснованным, когда проводимые измерения являются независимыми и нормально распределенными. При обработке измерительной информации по этому методу для определения оценок требуется предварительнс накопить выборку измерений и лишь затем начать обработк> информации. Естественно, что по времени получение оценок будет осуществляться медленнее, чем поступление измерительной информации в обработку. Кроме того, при выполнении каждогс последующего этапа расчета не вся априорная информация будет участвовать в обработке (так как учитывают только приближения параметров движения, относящихся к предыдущим этапам). [c.158]

Анализ данных и идентификация систем (табл. 4). Пакет MATRIXx позволяет очень легко и эффективно проводить анализ данных и идентификацию. Графи еские возможности пакета допускают применение пакетных и рекуррентных методов идентификации. Для простой передачи данных предназначен универсальный интерфейс. Можно отбраковывать и анализировать данные, а также исключить временной дрейф. Пакетные процедуры включают в себя стандартные регрессионные методы с анализом дисперсии и методы пошаговой регрессии. Кроме того, процедуры пакетного метода максимального правдоподобия могут быть применены к нелинейным системам и системам, описанным в пространстве состояний. Из рекуррентных алгоритмов реализованы метод наименьших квадратов, метод максимального правдоподобия и модифицированный обобщенный фильтр Калмана. Для определения ковариационных функций и спектральных плотностей предусмотрены непараметрические пакетные и полу пакетные методы на основе быстрого преобразования Фурье. Для синтеза алгоритмов адаптивного управления многомерными системами используются простые команды. [c.173]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...