Пусть, как и прежде, совместное распределение вероятностей величин ж ц принадлежит некоторому параметрическому семейству полиномиальных распределений. В качестве прогноза числа связей примем математическое ожидание матрицы Х=(ху). [c.128]
Теперь примем во внимание, что х = цх в случае полиномиального распределения f(x, X, д) для каждой выборки имеет вид [c.129]
Плотность вероятности случайной величины 105, 106 Полиномиальное распределение 105, [c.228]
Полиномиальное распределение с вероятностями (рп, [c.126]
Данная глава посвящена моделированию фактического распределения сделок с помощью регулируемого распределения, то есть поиску функции и ее подходящих параметров, которые моделируют фактическую функцию плотности вероятности торговых P L с двумя точками перегиба. Вы можете использовать уже известные функции и методы, например, полиномиальную интерполяцию или экстраполяцию, интерполяцию и экстраполяцию рациональной функции (частные многочленов), или использовать сплайн-интерполяцию. После того как теоретическая функция найдена, можно определить ассоциированные вероятности тем же методом расчета интеграла, который использовался при поиске ассоциированных вероятностей регулируемого распределения, или рассчитать интеграл с помощью методов математического анализа. Одна из целей этой книги — позволить трейдерам, использующим немеханические системы, применять те же методы управления счетом, что и трейдерам, использующим механические системы. Регулируемое распределение требует расчета параметров, они относятся к первым четырем моментам распределения. Именно эти моменты — расположение, масштаб, асимметрия и эксцесс — описывают распределение. Таким образом, кто-либо, торгующий по немеханическому методу, например по волнам Эллиотта, [c.141]
В работе [2] исследованы предельные распределения Н при п — °° и изменяющемся числе исходов k. Получены достаточные условия сходимости распределения Hk к нормальному (в предположении k = k(N) и -распределениям. В работе [40] описан класс предельных распределений для Hk в биномиальной схеме. Кроме нормального и -распределений могут появиться в качестве предельных законов нецентральное -распределение, распределение Пуассона. Установлен класс предельных распределений для Hk в полиномиальной схеме, когда p. —> /k при п - . и фиксированном k. В работе [62] проводится обобщение результатов для любого фиксированного k в полиномиальной схеме с k исходами при п независимых испытаниях. Исследования распределений оценки энтропии дискретных случайных величин (д.с.в.) натолкнули на мысль об обобщении полученных результатов на непрерывные случайные величины (н.с.в.). [c.19]
Эмпирическая функция распределения (рис. 6.3.9) имеет ступенчатую форму и может быть сглажена непрерывной функцией для удобства моделирования. Для аппроксимации могут быть применены полиномиальная, экспоненциальная или -образные функции, а также их вариации в кусочной форме. В некоторых случаях для аппроксимации применяют сплайн-функции порядка k, например, кубический сплайн ( = 3). [c.318]
В методе Алмон предполагается, что веса текущих и лаговых значений объясняющих переменных подчиняются полиномиальному распределению [c.141]
Полиномиально распределенные лаги Алмон [c.287]
Рассмотрим общую модель с распределенным лагом, имеющую конечную максимальную величину лага /, которая описывается соотношением (7.3). Предположим, было установлено, что в исследуемой модели имеет место полиномиальная структура лага, т. е. зависимость коэффициентов регрессии Ь-, от величины лага описывается полиномом k-Pi степени. Частным случаем полиномиальной структуры лага является линейная модель (рис. 7.1 а)). Примерами лагов, образующих полином 2-й степени, явля- [c.298]
Азларов Т.А., Мухамедханова Р. Класс предельных распределений статистической оценки энтропии в полиномиальной схеме // ДАН СССР. — Т. 264. — 1982, № 4. — С. 5. [c.196]
В общем случае ответов на эти вопросы пока нет. Однако ориентиром может стать изучение модельных ситуаций. В частности, воспользуемся моделью засорения Шурыгина [14, п. 6.1.11]. В качестве основного распределения возьмем модель нормальной полиномиальной регрессии степени р, когда [c.221]
Для преодоления этих трудностей обычно предполагается та или иная форма гладкости распределения лагов ws. Это приводит к уменьшению числа оцениваемых параметров. Рассмотрим две популярные модели такого рода полиномиальных лагов (метод Алмон (Almon)) и геометрических лагов (модель Койка (Koy k)). [c.266]
Работы (Шевяков А.Ю., Кирута А.Я., 1999 Ершов Э.Б., Майер В.Ф., 1998 Суворов А.В., Ульянова Е.А., 1997 Айвазян С.А., 1997) содержат различные доводы, подтверждающие справедливость наших критических замечаний (i) - (iv) (см. выше). В работе (Великанова Т. и др., 1996) описан подход, также основанный на модели смеси лог-нормальных распределений однако он не оснащен необходимым инструментарием, позволяющим проводить грамотный эконометри-ческий анализ этой смеси, и не предлагает никаких способов учета скрытых от прямого наблюдения данных. Описанный в (Ершов Э.Б., Майер В.Ф., 1998) подход, опирающийся на полиномиальную аппроксимацию плотности анализируемого закона распределения, слишком формален и не позволяет построить феноменологическую модель изучаемого явления, дать содержательную интерпретацию параметрам модели, учесть ненаблюдаемый спектр расходов. [c.14]
Это удобно тем, что здесь в любом случае (J3= 1 или (3 ф 1) параметр у/ представляет уровень, а параметр представляет тренд. При этом распределения статистик критерия и при нулевой (DS) и при альтернативной (TS) гипотезах не зависят от мешающих параметров Щ % и