Statistics of Multivariate Extremes with Applications in Risk Management
von Dr. Rodrigo Herrera
Statistik und Sichtungsnachweis dieser Seite findet sich am Artikelende
| [1.] Rh/Fragment 144 16 - Diskussion Zuletzt bearbeitet: 2012-07-31 19:43:04 Graf Isolan | Fragment, Gesichtet, KomplettPlagiat, Neal 2000, Rh, SMWFragment, Schutzlevel sysop |
|
|
|
| Untersuchte Arbeit: Seite: 144, Zeilen: 16-22 |
Quelle: Neal 2000 Seite(n): 249, Zeilen: 25-31 |
|---|---|
| The use of DPM models has become computationally feasible with the development of Markov chain methods for sampling from the posterior distribution of the parameters of the component distributions and of the associations of mixture components with observations. Methods based on Gibbs sampling can easily be implemented for models based on conjugate prior distributions, but when nonconjugate priors are used, as is appropriate in many contexts, straightforward Gibbs sampling requires that an often difficult numerical integration be performed. | Use of Dirichlet process mixture models has become computationally feasible with the development of Markov chain methods for sampling from the posterior distribution of the parameters of the component distributions and/or of the associations of mixture components with observations. Methods based on Gibbs sampling can easily be implemented for models based on conjugate prior distributions, but when non-conjugate priors are used, as is appropriate in many contexts, straightforward Gibbs sampling requires that an often difficult numerical integration be performed. |
Die Quelle wird nach diesem Abschnitt genannt, aber nicht als Quelle eines Zitates oder Gedanken und auch nicht im Zusammenhang mit diesem Abschnitt. |
|
| [2.] Rh/Fragment 144 33 - Diskussion Zuletzt bearbeitet: 2012-08-06 16:18:12 Hindemith | Chen et al. 2006, Fragment, Gesichtet, Rh, SMWFragment, Schutzlevel sysop, Verschleierung |
|
|
|
| Untersuchte Arbeit: Seite: 144, Zeilen: 33-35 |
Quelle: Chen et al. 2006 Seite(n): 4, Zeilen: 17-21 |
|---|---|
| Given the set y the classical approach to estimate the parameters (μl, Ωl), is to maximize the likelihood by using the EM algorithm (Dempster et al. (1977)). The EM algorithm guarantees convergence to a local maximum, with the quality of the maximum being heavily [dependent on the random initialization of the algorithm.] | Given a set of training data with N observations, x={x1,...,xN}, the classical approach to estimating the Gaussian mixture model parameters, (μ,τ,π), is to maximize the likelihood using the expectation-maximization (EM) algorithm (Dempster et al., 1977). The EM algorithm guarantees convergence to a local maximum, with the quality of the maximum being heavily dependant [sic] on the random initialization of the algorithm. |
Eine Quellenangabe fehlt. Die Übernahme setzt sich auf der nächsten Seite fort: Rh/Fragment_145_01 |
|
vorherige Seite | zur Übersichtsseite | folgende Seite
Letzte Bearbeitung dieser Seite: durch Benutzer:Graf Isolan, Zeitstempel: 20120731194359
Letzte Bearbeitung dieser Seite: durch Benutzer:Graf Isolan, Zeitstempel: 20120731194359