Для оценки ритмичности поставок используются следующие показатели коэффициент ритмичности число аритмичности среднее квадратичное отклонение коэффициент неравномерности поставок коэффициент вариации. [c.357]
При решении задачи можно выбрать метод экстраполяции оценок переменных для каждого шага поиска — линейная или квадратичная (для задач с нелинейной целевой функцией), метод численного дифференцирования для целевой функции — прямые или центральные разности (для задач с нелинейной целевой функцией), метод поиска — метод Ньютона (требуется много оперативной памяти) или метод сопряженных градиентов (больше итераций). Основным ограничением модели является максимальное число переменных — 200. Несколько оптимизационных моделей на одном листе можно сохранять и загружать по мере необходимости. [c.457]
Помимо качественных и количественных, выделяют практические методы учета рисков, основные из которых метод экспертных оценок, метод аналогий и использование показателей дисперсии и среднего квадратичного (стандартного) отклонения. [c.76]
Для оценки способностей инвестиционного менеджера правильно выбирать время операции иногда бывает необходимо использовать более сложные зависимости, чем просто прямая линия, для аппроксимации точечных диаграмм, таких, как изображенные на рис. 25.7. Рассмотрим процедуру, которая позволяет построить соответствующую кривую, причем используются статистические методы оценки параметров a, b и с в следующем уравнении квадратичной регрессии [c.902]
В обеих регрессиях, описываемых уравнениями (25.24) и (25.26), значение параметра а представляет собой оценку возможностей менеджера по определению ценных бумаг с заниженной ценой (т.е. умение менеджера правильно выбрать ценные бумаги), а значение параметра с представляет собой оценку возможностей менеджера в области выбора времени операций. При этом квадратичное уравнение показывает, что бета портфеля принимала различные значения в зависимости от размера избыточной доходности рынка. Графически это выражается в том, что наклон квадратичной кривой постоянно увеличивается при движении слева направо на рис. 25.8(а). Уравнение модельных переменных, в свою очередь, показывает, что бета портфеля меняется в промежутке между двумя значениями гиг зависящими от величины rjf Графически это выражается в том, что наклон, задаваемый данным уравнением, возрастает от одного значения (Ь - с) до второго значения (Ь) при движении слева направо на рис. 25.8(6). [c.904]
Для оценки технического уровня (технико-экономического) машины определяют среднюю квадратичную погрешность зависимости у = кх [c.170]
Материальные системы 323 Материальные услуги 373 Матрица 187 Матрица выигрышей 188 Матрица игры 188 Матрица квадратичной формы 140 Матрица МОБ 189 Матрица назначений 101 Матрица оценок 101 Матрица переходных вероятностей 189 Матрица потерь 189, 198 Матрица системы линейных уравнений [c.473]
В дальнейшем будут рассмотрены два конструктивных метода получения оценок с желаемыми свойствами. Это, во-первых, метод поиска наилучшей в линейном (аффинном, квадратичном) смысле несмещенной оценки (введенный и используемый в гл. 13 и 14), а также метод максимального правдоподобия (гл. 15-17). [c.318]
Рассмотрим схему Гаусса-Маркова (у, Xf3, <т2/), где r(X) = k. В 3 мы получили наилучшую аффинную несмещенную оценку для /3, /3 = (Х Х) 1Х у (оценка Гаусса-Маркова), минимизируя квадратичную форму (след ковариационной матрицы оценки) при линейном ограничении (несмещенность). В 4 мы показали, что оценка Гаусса— Маркова может быть также получена минимизацией (у — Х(3) (у — Х/3) по всем /3 из R. Тот факт, что метод наименьших квадратов (который является методом аппроксимации, а не оценивания) приводит к наилучшим аффинным оценкам, является довольно неожиданным и, конечно, не тривиальным. [c.355]
Параграфы 2-7 посвящены построению наилучшей квадратичной оценки <т2. Многомерный аналог этой оценки будет рассмотрен в 8. Оценка [c.361]
НАИЛУЧШАЯ КВАДРАТИЧНАЯ НЕСМЕЩЕННАЯ ОЦЕНКА сг2 [c.362]
Пусть ( /, -Х/3, сг2 V) — линейная регрессионная модель. В предыдущей главе оценка /3 была выведена как линейная функция от вектора у. Оценку для сг2 мы будем искать как квадратичную функцию по т/, т. е. функцию вида [c.362]
Квадратичная (и положительная) несмещенная оценка сг2 в линейной регрессионной модели (т/, Х/3, сг2 V) называется наилучшей, если [c.362]
В следующих двух параграфах будет выведена наилучшая квадратичная несмещенная оценка сг2 для нормальной линейной регрессионной модели, где [c.362]
НАИЛУЧШАЯ КВАДРАТИЧНАЯ ПОЛОЖИТЕЛЬНАЯ НЕСМЕЩЕННАЯ ОЦЕНКА сг2 [c.363]
Наилучшей квадратичной положительной несмещенной оценкой сг2 в нормальной линейной регрессионной модели (т/, Х/3, сг2/п) будет [c.363]
Наилучшая квадратичная несмещенная оценка сг2 365 [c.365]
Наилучшая квадратичная несмещенная оценка для сг2 в нормальной регрессионной модели (т/, -Х/3, сг2/п) равна [c.365]
Доказательство. Пусть сг2 = у Ау есть квадратичная оценка сг2, а б = у — Х/3-Л/"(0,сг2/п). Тогда [c.365]
Наилучшая квадратичная инвариантная оценка сг2 367 [c.367]
НАИЛУЧШАЯ КВАДРАТИЧНАЯ ИНВАРИАНТНАЯ ОЦЕНКА сг2 [c.367]
Будем говорить, что квадратичная оценка у А у инвариантна относительно сдвига /3, если [c.368]
Наилучшей квадратичной (положительной) инвариантной оценкой а2 в линейной модели (г/, Х/3, ст2/п) называется квадратичная (положительная) оценка сг2, инвариантная относительно сдвига /3, такая что [c.368]
В 6 и 7, в предположении нормальности, выводится наилучшая квадратичная инвариантная оценка для сг2, сначала при положительном сг2, а потом — без этого требования. [c.368]
Наилучшая квадратичная положительная инвариантная оценка сг2 369 [c.369]
Наилучшая квадратичная положительная инвариантная оценка а2 для нормальной регрессионной модели (т/, Х/3, сг2/п) имеет вид [c.369]
Доказательство. Итак, пусть сг2 = у А у есть квадратичная оценка. Представим матрицу А как А = С С. Для инвариантности необходимо, чтобы С СХ = 0, т.е. [c.369]
При гигиенической оценке вибраций нормируемыми параметрами являются средние квадратичные значения виброскорости v или виброускорения а и их логарифмические уровни A,, La для локальных вибраций в октавных полосах частот, а для общей вибрации — в октавных или /з октавных полосах. Допускается интегральная оценка вибрации во всем частотном диапазоне нормируемого параметра, а также по дозе вибрации с учетом времени воздействия. Допустимые значения уровня виброскорости представлены в табл. 4.3. [c.111]
Как уже обсуждалось в данной главе, концепции эффективного множества н оптимального портфеля инвестора являются основополагающими в современной инвестиционной теории. Но как инвестор может реально оценить эффективное множество и выбрать оптимальный портфель. 3 8 начале 50-х гадов Гарри Марковшд описал решение данных проблем. Используя математический метод, известный как квадратичное программирование, инвестор может обработать ожидаемые доходности, стандартные отклонения и ковариации для определения эффективного множества. (См. приложение А к данной главе.) Имея оценку своих кривых безразличия, отражающую их индивидуальный допустимый риск (см. гл. 24), он может затем выбрать портфель из эффективного множества. [c.199]
Оценка качества модели обычно основывается на критерии согласия типа средней квадратичной ошибки (MSE) или квадратного корня из нее (RMSE). Эти критерии показывают, насколько предсказанные значения оказались близки к обучающему, подтверждающему или тестовому множествам. Для рядов с большим разбросом Лапедес [171] предложил критерий средней относительной вариации [c.62]
Стратифицированный выборочный анализ. В приведенном примере был определен объем выборки, равный 64. Возникает вопрос, как распределить усилия исследователя между выборками из различных мест, т.е., как лучше спланировать работу, сделать п подсчетов на деревьях. Здесь может быть применен метод стратифицированного выборочного анализа, сущность которого в том, что генеральная совокупность (популяция еловой листовертки) разбивается на несколько однородных не перекрывающих друг друга слоев. В силу того, что объекты в пределах одного слоя однородны, уже небольшая выборка отсюда может дать достаточно точную оценку измеряемого параметра. При фиксированном общем объеме выборки точность измерения пропорциональна среднему квадратичному отклонению G. А при фиксированной точности измерения в каждом слое объем выборки пропорционален дисперсии G2 выборочного показателя в этом слое. Это соотношение вытека- [c.150]
Доказательство. Рассмотрим квадратичную оценку у Ау. Чтобы убедиться в положительности оценки вспомним, что А можно представить как А = С С. Задача теперь заключается в том, чтобы найти п х п матрицу (7, такую что оценка у С С у несмещена и имеет наименьшую дисперсию в классе несмещенных оценок. [c.363]
Оценка, полученная в предыдущем параграфе, в действительности является наилучшей в более широком классе, а именно в классе квадратичных несмещенных оценок. Другими словами, ограничение сг2 > 0 — нелимитирующее. Таким образом, можно получить обобщение теоремы 1. [c.365]