Sample Size for Maximum Likelihood Estimates of Gaussian Model

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F15%3A43926659" target="_blank" >RIV/49777513:23520/15:43926659 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007/978-3-319-23117-4_40" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-319-23117-4_40</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-23117-4_40" target="_blank" >10.1007/978-3-319-23117-4_40</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Sample Size for Maximum Likelihood Estimates of Gaussian Model

Popis výsledku v původním jazyce

Significant properties of maximum likelihood (ML) estimate are consistency, normality and efficiency. However, it has been proven that these properties are valid when the sample size approaches infinity. Many researches warn that a behavior of ML estimator working with the small sample size is largely unknown. But, in real tasks we usually do not have enough data to completely fulfill the conditions of optimal ML estimate. The question, which we discuss in the article is, how much data we need to be able to estimate the Gaussian model that provides sufficiently accurate likelihood estimates. This issue is addressed with respect to the dimension of space and it is taken into account possible property of ill conditioned data.

Název v anglickém jazyce

Sample Size for Maximum Likelihood Estimates of Gaussian Model

Popis výsledku anglicky

Significant properties of maximum likelihood (ML) estimate are consistency, normality and efficiency. However, it has been proven that these properties are valid when the sample size approaches infinity. Many researches warn that a behavior of ML estimator working with the small sample size is largely unknown. But, in real tasks we usually do not have enough data to completely fulfill the conditions of optimal ML estimate. The question, which we discuss in the article is, how much data we need to be able to estimate the Gaussian model that provides sufficiently accurate likelihood estimates. This issue is addressed with respect to the dimension of space and it is taken into account possible property of ill conditioned data.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20205 - Automation and control systems

Projekt

<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Computer Analysis of Images and Patterns, 16th International Conference, CAIP 2015, Valletta, Malta, September 2-4, 2015, Proceedings, Part II

ISBN

978-3-319-23116-7

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

8

Strana od-do

462-469

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Valletta, Malta

Datum konání akce

2. 9. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000364694000040