Разлика между версии на „Статистически модел“
Направо към навигацията
Направо към търсенето
(Нова страница: Корелация 46 KB (935 думи) - 10:38, 24 март 2012 Метод Монте Карло 43 KB (335 думи) - 16:59, 17 юни 2012 Когнитивна нау...) |
|||
| (Не са показани 7 междинни версии от същия потребител) | |||
| Ред 1: | Ред 1: | ||
| − | + | '''Статистически модел''' е '''набор от математически уравнения, които описват поведението на даден обект''' на проучване в улсовията на случайни величини. Ако моделът има само едно уравнение се нарича модел с едно уравнение, докато ако има повече от едно уравнение, се нарича модел с няколко уравнения. | |
| − | + | ==Същност== | |
| − | Метод Монте Карло | + | Три понятия са достатъчни да опишат всички статистически модели. |
| − | + | ||
| − | Когнитивна наука | + | * Ние избираме една статистическа единица, като човек, която да наблюдаваме директно. Няколко наблюдения на една и съща единица във времето се нарича надлъжно [[изследване]]. |
| − | + | * Нашият интерес трябва да е в статистическата популация от подобни единици, отколкото във всяка отделна единица. | |
| − | Риск | + | * Нашият интерес може да се фокусира върху статистическа съвкупност, където да изпитаме функционалните подединици на статистическата единица. Например, физиологичното моделиране изследва на органите, които съставят единицата. Популярен модел от този тип изследвания е моделът стимул-реакция. |
| − | + | Статистическото моделиране се извършва въз основа на известните методи от [[теория на вероятностите|теорията на вероятностите]], [[статистика]]та и корелационно-регресионния [[анализ]]. Статистическият модел, е напълно определен при наличие на аналитични зависимости, които отразяват статистическото поведение, на всеки моделен параметър. В понятието "статистически модел" на даден обект винаги се включват моделни параметри х', имащи случайни съставки. Всяка една от тях има определен закон на разпределение, а пък всички като цяло са статистически зависими. | |
| − | Комплексност | + | Практическото приложение на статистическите модели в прцеса на статистическите изпитания по [[метод Монте Карло|метода на Монте Карло]] в АИС осъществяват с процедурата за единично случайно моделиране. |
| − | + | ==Вижте още== | |
| − | Теория на вероятностите | + | *[[Корелация]] |
| − | + | *[[Метод Монте Карло]] | |
| − | Допускане | + | *[[Когнитивна наука]] |
| − | + | *[[Риск]] | |
| − | Линейна регресия | + | *[[Комплексност]] |
| − | + | *[[Теория на вероятностите]] | |
| − | Теория на решенията | + | *[[Допускане]] |
| − | + | *[[Линейна регресия]] | |
| − | Бейсова вероятност | + | *[[Теория на решенията]] |
| − | + | *[[Бейсова вероятност]] | |
| − | Вариационен анализ | + | *[[Вариационен анализ]] |
| − | + | *[[Анализ на чувствителността]] | |
| − | Анализ на чувствителността | + | *[[Нормално разпределение]] |
| − | + | *[[Вероятностно разпределение]] | |
| − | Нормално разпределение | + | *[[Рационално решение]] |
| − | + | *[[Компютърна симулация]] | |
| − | Вероятностно разпределение | + | *[[Модел]] |
| − | + | *[[Видове прогнозиране]] | |
| − | Рационално решение | + | *[[Оптимизация]] |
| − | + | *[[GAP анализ]] | |
| − | Компютърна симулация | + | |
| − | + | ==Източници== | |
| − | Модел | + | *Percy H. Brill, Level Crossing Methods in Stochastic Models |
| − | + | *Frederick S. Hillier, Gerald J. Lieberman, Introduction to Operations Research | |
| − | Видове прогнозиране | + | |
| − | + | ==Външни препратки== | |
| − | + | * [http://money.ibox.bg/news/id_1663793989 Икономически решения] | |
| − | + | * [http://www.book.store.bg/search?srchstr=%D2%E5%EE%F0%E8%FF%20%ED%E0%20%E2%E7%E5%EC%E0%ED%E5%20%ED%E0%20%F0%E5%F8%E5%ED%E8%FF&sin=1 Книги за теория на вземане на решенията] | |
| − | + | *[http://www.ruf.rice.edu/~lane/stat_sim/reg_by_eye/ Онлайн симулации] | |
| + | *[http://numericalmethods.eng.usf.edu/topics/linear_regression.html Линейна регресия] | ||
| + | [[category:Статистика]] | ||
Текуща версия към 14:03, 3 април 2014
Статистически модел е набор от математически уравнения, които описват поведението на даден обект на проучване в улсовията на случайни величини. Ако моделът има само едно уравнение се нарича модел с едно уравнение, докато ако има повече от едно уравнение, се нарича модел с няколко уравнения.
Същност
Три понятия са достатъчни да опишат всички статистически модели.
- Ние избираме една статистическа единица, като човек, която да наблюдаваме директно. Няколко наблюдения на една и съща единица във времето се нарича надлъжно изследване.
- Нашият интерес трябва да е в статистическата популация от подобни единици, отколкото във всяка отделна единица.
- Нашият интерес може да се фокусира върху статистическа съвкупност, където да изпитаме функционалните подединици на статистическата единица. Например, физиологичното моделиране изследва на органите, които съставят единицата. Популярен модел от този тип изследвания е моделът стимул-реакция.
Статистическото моделиране се извършва въз основа на известните методи от теорията на вероятностите, статистиката и корелационно-регресионния анализ. Статистическият модел, е напълно определен при наличие на аналитични зависимости, които отразяват статистическото поведение, на всеки моделен параметър. В понятието "статистически модел" на даден обект винаги се включват моделни параметри х', имащи случайни съставки. Всяка една от тях има определен закон на разпределение, а пък всички като цяло са статистически зависими. Практическото приложение на статистическите модели в прцеса на статистическите изпитания по метода на Монте Карло в АИС осъществяват с процедурата за единично случайно моделиране.
Вижте още
- Корелация
- Метод Монте Карло
- Когнитивна наука
- Риск
- Комплексност
- Теория на вероятностите
- Допускане
- Линейна регресия
- Теория на решенията
- Бейсова вероятност
- Вариационен анализ
- Анализ на чувствителността
- Нормално разпределение
- Вероятностно разпределение
- Рационално решение
- Компютърна симулация
- Модел
- Видове прогнозиране
- Оптимизация
- GAP анализ
Източници
- Percy H. Brill, Level Crossing Methods in Stochastic Models
- Frederick S. Hillier, Gerald J. Lieberman, Introduction to Operations Research