Modelling based on finite mixture d

Modelling based on finite mixture distributions is a rapidly developing area
with the range of applications exploding. Finite mixture models are nowadays
applied in such diverse areas as biometrics, genetics, medicine, and marketing
whereas Markov switching models are applied especially in economics and
finance. There exist various features of finite mixture distributions that render
them useful in statistical modelling. First, finite mixture distributions arise in
a natural way as marginal distribution for statistical models involving discrete
latent variables such as clustering or latent class models. On the other hand,
we find that statistical models which are based on finite mixture distributions
capture many specific properties of real data such as multimodality, skewness,
kurtosis, and unobserved heterogeneity. Their extension to Markov mixture
models is able to deal with many features of practical time series, for example,
spurious long-range dependence and conditional heteroscedasticity

النتائج (الفرنسية) 1:

modélisation basée sur les distributions de mélanges finis est un domaine en évolution rapide
avec la gamme d'applications explosent. modèles de mélanges finis sont aujourd'hui
appliquées dans des domaines aussi divers que la biométrie, la génétique, la médecine et la commercialisation
tandis que les modèles de commutation Markov sont appliquées en particulier dans l'économie et la finance
. il existe différentes caractéristiques des distributions de mélanges finis qui rendent
utiles dans la modélisation statistique. première, les distributions de mélanges finis apparaissent dans
une façon naturelle de distribution comme marginal pour les modèles statistiques faisant intervenir des variables discrètes
latente telles que le clustering ou des modèles de classes latentes. d'autre part,
nous constatons que des modèles statistiques qui sont fondées sur les distributions de mélanges finis
compte de nombreuses propriétés spécifiques des données réelles telles que la multimodalité,asymétrie, aplatissement
, et l'hétérogénéité non observée. leur extension à Markov mélange
modèles est en mesure de faire face à de nombreuses fonctionnalités de la série de temps pratique, par exemple,
fausse dépendance à long terme et hétéroscédasticité conditionnelle

النتائج (الفرنسية) 2:

Modélisation basée sur les distributions de mélanges finis est un secteur en développement rapide
avec la gamme d'applications qui explose. Modèles de mélanges finis sont de nos jours
appliquée dans des domaines aussi variés que la biométrie, génétique, médecine et de marketing
tandis que les modèles de commutation de Markov sont appliquées notamment en économie et
finances. Il existent diverses caractéristiques des distributions de mélanges finis qui rendent
leur est utile à la modélisation statistique. Distributions de mélange tout d'abord, finis surviennent dans
une manière naturelle, comme la distribution marginale pour les modèles statistiques impliquant discret
variables latentes telles que des modèles de classe clustering ou latente. En revanche,
nous trouvons cette statistiques des modèles qui sont basés sur les distributions de mélanges finis
capturer plusieurs propriétés spécifiques des données réelles telles que de la multimodalité, asymétrie,
aplatissement et l'hétérogénéité non observée. Leur extension au mélange de Markov
modèles est capable de traiter de nombreuses caractéristiques de série de temps de pratique, par exemple,
dépendance à long terme fallacieuse et hétéroscédasticité conditionnelle

النتائج (الفرنسية) 3:

La modélisation basée sur finie mélange distributions est un domaine qui se développe rapidement
avec la gamme d'applications exploser. Mélange fini modèles sont aujourd'hui
appliquées dans divers domaines tels que la biométrie, génétique, médecine, et marketing
tandis que Markov de commutation modèles sont appliqués en particulier dans les domaines de l'économie et des finances
. Il existe diverses fonctions de mélange finie distributions que rendre
Ils sont utiles dans la modélisation statistique. Premièrement, mélange fini les distributions surgir dans
une façon naturelle comme distribution marginal de modèles statistiques impliquant discrets
variables latentes telles que le clustering ou latente modèles de classe. D'autre part,
nous constatons que modèles statistiques qui sont basées sur mélange finie distributions
capture de nombreuses propriétés spécifiques de données réelles, comme la multimodalité,Dissymétrie,
aplatissement, et tenir compte de l'hétérogénéité non observée. Leur extension à Markov mélange
modèles est capable de traiter avec de nombreuses fonctionnalités pratiques de séries chronologiques, par exemple,
fallacieux longue portée la dépendance et l'hétéroscédasticité conditionnelle