Рубрики
Новости
НЕЗАВИСИМАЯ АВТОЭКСПЕРТИЗА — Порядок проведения независимой автоэкспертизы


Возмещение ущерба при ДТП по ОСАГО
Как осуществляется оценка ущерба ДТП по ОСАГО? Если вы стали участником ДТП, то имеете законное право требовать компенсацию ущерба от своей страховой компании. Но прежде чем выплатить

Новые правила возмещения ущерба по ОСАГО
Власти одобрили поправки в закон об ОСАГО о приоритете натурального возмещения перед денежной выплатой. Теперь в виде выплаты автовладельцам по умолчанию будет осуществляться ремонт машины, деньги

Как оценить ущерб после ДТП в 2017 году
Инструкция Пройдите экспертизу в страховой компании виновника ДТП или в своей. Для этого обратитесь лично в страховую компанию и предоставьте все документы о ДТП.

Оценка ущерба — 7 шагов по проведению экспертизы ущерба + опыт!
Как правильно провести экспертизу материального ущерба? В чем особенности определения стоимости страхового ущерба по ОСАГО? Как выбрать независимого эксперта для оценки? Всем привет! С вами Денис Кудерин

Независимая оценка после залива квартиры
Независимая оценка после залива квартиры проводится для составления отчета, который является официальным документом, подтверждающий сумму нанесенного вам ущерба. Оценочный отчет защищает ваши права в суде

Оценка ущерба квартиры от залива
Наиболее частой проблемой, связанной с нанесением ущерба квартире, становится вопрос ее залива. Не всем везет с соседями, и порой сталкиваться с заливами приходится регулярно, однако оценка ущерба от залива

Оценка ущерба при ДТП
Подборка наиболее важных документов по запросу Оценка ущерба при ДТП (нормативно-правовые акты, формы, статьи, консультации экспертов и многое другое). Нормативные акты : Оценка ущерба при ДТП Федеральный

Статьи

Статистичний аналіз багатовимірний

Статист і чний ан а ліз в чому е рний, в широкому сенсі - розділ математичної статистики , Який об'єднує методи вивчення статистичних даних, що відносяться до об'єктів, які характеризуються декількома якісними або кількісними ознаками. Найбільш розроблена частина С. а. м., заснована на припущенні, що результати окремих спостережень незалежні і підпорядковані одному і тому ж багатовимірному нормальному розподілу (Зазвичай саме до цієї частини застосовують термін С. а. М. У вузькому сенсі). Іншими словами, результат Xj спостереження з номером j можна представити вектором

Xj = (Xj1, Xj2, ..., Xjs),

де випадкові величини Xjk мають математичне очікування m k, дисперсію s 2k, а коефіцієнт кореляції між Xjk і Xjl дорівнює r kl. Вектор математичних очікувань m = (m 1, ..., m s) і ковариационная матриця S з елементами s k s l r kl, k, l = 1, ..., s, є основними параметрами, повністю визначають розподіл векторів X1 , ..., Xn - результатів п незалежних спостережень. Вибір багатовимірного нормального розподілу в якості основної математичної моделі С. а. м. частково може бути виправданий наступними міркуваннями: з одного боку, ця модель є прийнятною для великого числа додатків, з іншого - тільки в рамках цієї моделі вдається обчислити точні розподілу вибіркових характеристик. вибіркове середнє де випадкові величини Xjk мають   математичне очікування   m k,   дисперсію   s 2k, а коефіцієнт   кореляції   між Xjk і Xjl дорівнює r kl і вибіркова ковариационная матриця

вибіркове середнє   і вибіркова ковариационная матриця

[де [де   позначає транспонований вектор   , См позначає транспонований вектор , См. матриця ] Суть оцінки максимальної правдоподібності відповідних параметрів сукупності. розподіл нормально , А спільний розподіл елементів ковариационной матриці S, т. Н. розподіл Уішарт, є природним узагальненням «Хі-квадрат» розподілу і відіграє значну роль в С. а. м.

Ряд завдань С. а. м. більш-менш аналогічний відповідним одновимірним завданням (наприклад, завдання перевірки гіпотез про рівність середніх значень в двох незалежних вибірках). Іншого типу завдання пов'язані з перевіркою гіпотез про незалежність тих чи інших груп компонент векторів Xj, перевіркою таких спеціальних гіпотез, як гіпотеза сферичної симетрії розподілу Xj і т.д. Необхідність розібратися в складних взаємозв'язках між компонентами випадкових векторів Xj ставить нові проблеми. З метою скорочення числа розглянутих випадкових ознак (зменшення розмірності) або зведення їх до незалежних випадкових величин застосовуються метод головних компонент і метод канонічних кореляцій. В теорії головних компонент здійснюється перехід від векторів Xj до векторів Yj = (Yj1, ..., Yjr). При цьому, наприклад, Yj1 виділяється максимальною дисперсією серед всіх нормованих лінійних комбінацій компонент X1; Yj2 має найбільшу дисперсію серед всіх лінійних функцій компонент X1, що не корелюється з Yj1 і т.д. У теорії канонічних кореляцій кожне з двох множин випадкових величин (компонент Xj) лінійно перетвориться в нове безліч т. Н. канонічних величин так, що всередині кожного безлічі коефіцієнти кореляції між величинами дорівнюють 0, перші координати кожної безлічі мають максимальну кореляцію, другі координати мають найбільшу кореляцію з решти координат і т.д. (Впорядковані т. О. Кореляції називаються канонічними). Останній метод вказує максимальну кореляцію лінійних функцій від двох груп випадкових компонент вектора спостереження. Висновки методів головних компонент і канонічних кореляцій допомагають зрозуміти структуру досліджуваної багатовимірної сукупності. Подібним цілям служить і факторний аналіз , В схемі якого передбачається, що компоненти випадкових векторів Xj явлются лінійними функціями від деяких спостережених чинників, що підлягають вивченню. В рамках С. а. м. розглядається і проблема диференціації двох або більшого числа совокупностей за результатами спостережень. Одна частина проблеми полягає в тому, щоб на основі аналізу вибірок з декількох сукупностей віднести новий елемент до однієї з них (дискримінація), інша - в тому, щоб усередині сукупності розділити елементи на групи, в певному сенсі максимально відрізняються один від одного.

Літ .: Андерсон Т., Введення в багатомірний статистичний аналіз, пров. з англ., М., 1963; Kendall М. G., Stuart А., The advanced theory of statistics, v. 3, L., 1966; Dempster AP, Elements of continuons multivariate analysis, L., 1969.

А. В. Прохоров.