定数截尾下Lomax分布失效率和可靠度的贝叶斯估计

由定数截尾寿命试验数据,得到了样本的似然函数. 当取形状参数的先验分布分别为共轭先验分布族和Jeffreys先验时,根据贝叶斯公式得到了形状参数的后验分布,并进一步得到了失效率和可靠度的后验分布.当取平方损失和熵损失函数时,根据后验风险最小的原则,由贝叶斯统计方法得到了失效率和可靠度的贝叶斯估计.通过计算机随机模拟1 000次得到失效率和可靠度的均值和均方误差,并且从均值和均方误差两方面对几个估计值进行了比较,结果表明如果没有充分的先验信息可以利用,无法得到超参数a、b较为准确的估计时,应优先使用Jeffreys先验.     

定数截尾试验下Pareto分布参数的条件Γ-minimax估计

在定数截尾试验下,假设Pareto分布尺度参数α为已知,当形状参数θ的先验分布在分布族Γ1和Γ2上变化时,研究了在对称熵损失函数下,Pareto分布形状参数θ的稳健Bayes估计——条件Γ-minimax估计问题.并利用Monte-Carlo方法进行了模拟,结果表明,条件Γ-minimax估计具有较好的后验稳健性.     

广义帕累托分布的应力-强度可靠性的贝叶斯估计

基于不同形状参数的广义帕累托分布,讨论应力-强度参数的贝叶斯估计.通过模拟得出在平方损失函数和0-1损失函数下的贝叶斯估计值比较相近;有先验信息条件下的贝叶斯估计的均方误差值低于无信息先验条件下的贝叶斯估计的均方误差值.     

非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.     

定数双截尾下艾拉姆咖分布参数的贝叶斯估计

首先在定数双截尾场合下,当取Jeffreys先验时,得到了艾拉姆咖分布参数的后验分布;其次分别在平方损失、熵损失和对称熵损失函数下给出了参数的贝叶斯点估计;然后由后验分布得到了参数的贝叶斯可信区间;最后通过实例给出了不同截尾样本下参数的点估计和区间估计,并说明了估计与截尾数之间的相关性.     

基于先验的贝叶斯先验选择方法

在一个参数的可选先验类中选择一个合理的先验问题,类似于从参数空间中估计一个恰当参数的问题.基于这一观点,利用贝叶斯分析的后验分布理论,先得出先验的后验分布计算方法,再根据先验的后验分布确定出合理的先验,从而建立了一个基于先验的贝叶斯先验选择方法,它是ML-Ⅱ先验的一个拓广.     

方差已知条件下平稳AR模型的贝叶斯分析

当方差已知时,分别对无信息先验和共轭先验条件下的平稳AR(p)模型进行了贝叶斯分析,并给出了平稳AR(1)模型回归系数的贝叶斯估计和预报分布的解析式.结果表明,两种先验分布下,回归系数的后验分布均服从平稳域内的截断正态分布.无信息先验分布下,后验均值与经典OLS估计值一致;在共轭先验分布下,后验均值是先验均值和经典OLS估计值的加权平均.     

定时截尾数据Pareto分布参数的Bayes估计

研究定时截尾数据情形下Pareto分布参数θ的Bayes估计和可容许性.给出熵损失函数的定义,取损失函数为熵损失函数,通过计算求出定时截尾情形下的熵损失函数,从而给出了Pareto分布参数θ的Bayes估计的一般形式;在给出先验分布为Gamma分布的条件下,计算出参数θ的后验密度,进而得出了参数θ的Bayes估计的精确形式,证明了所得到的参数θ的Bayes估计的可容许性.     

不同先验信息下成功概率的Bayes估计

参数的Bayes估计取决于先验分布和损失函数。在平方损失下,参数的Bayes估计是后验分布的均值。在无信息先验、Jeffreys先验和平方损失下,给出两点分布成功概率的估计,比较了其无偏性、方差、均方误差与风险,并进行了数值仿真实验。结果表明:无信息先验分布下的估计优于Jeffreys先验分布下的估计,无信息先验分布下估计的均方误差小于Jeffreys先验分布下的估计的均方误差,无信息先验分布下估计的风险小于Jeffreys先验分布下的估计的风险。     

考虑随机退化和信息融合的剩余寿命预测方法

针对性能退化过程服从Wiener过程的产品,运用贝叶斯统计推断法,提出了一种融合产品现场实测性能退化数据与同类产品常规退化试验信息、历史寿命信息的个体剩余寿命预测方法.建立了基于Wiener过程的产品剩余寿命模型;考虑到个体之间的性能退化差异性,假定Wiener过程参数服从随机分布模型,建立了个体现场实测退化数据下分布参数的贝叶斯估计模型,给出了超参数后验估计公式;分别建立了退化数据和寿命数据下的完全似然函数,构建了基于最大期望算法的超参数先验估计模型;通过实例分析验证了所提方法的正确性和优势,结果表明本方法可有效处理个体现场实测退化信息与同类产品先验信息之间的剩余寿命预测问题.     

基于正态-混合对数正态共轭先验下时序趋势项的贝叶斯推断

系统地分析了AR(p)误差项的时间序列模型及条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-混合对数正态共轭先验下模型的贝叶斯推断理论,包括趋势项的核估计参数及先验参数的后验分布的统计推断.     

时间序列趋势项的贝叶斯估计

系统地分析了AR(p)误差项的时间序列模型的数学模型及条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-混合Γ先验下模型的贝叶斯推断理论,包括趋势项的核估计参数及先验参数的后验分布的统计推断.     

负二项分布参数的贝叶斯区间估计问题

研究了在先验分布为贝塔分布下，负二项分布未知参数θ的贝叶斯区间估计方法。借助Beta分布与F分布的关系给出了参数θ的一般后验区间估计，并给出了参数θ的最短后验区间估计的条件极值解法。通过对参数取值不同的密度曲线形状的讨论分析和数值实例对比，得出结论：在小样本情况下，最短置信区间估计方法值得采用。     

随机截尾下Lomax分布中形状参数的估计

首先在随机截尾样本下给出了Lomax分布形状参数θ的极大似然估计;其次取伽玛分布作为共轭先验分布,在不同的损失函数下给出了形状参数的贝叶斯估计,最后通过实例给出了一个随机样本下形状参数θ的点估计和区间估计.     

无信息先验下平稳AR(1)模型的贝叶斯推断

研究AR(1)时间序列模型在平稳条件下的贝叶斯推断理论,构造了模型自回归系数和尺度参数的无信息先验分布,推导得到了其后验分布、后验均值、众数、中位数、分位数和最大后验区间估计,最后对几组仿真数据进行了贝叶斯分析.     

基于MH算法的贝叶斯分位自回归模型

针对时间序列分布特征多样性的问题,不考虑序列本身的分布特征而选择非对称Laplace分布的似然函数对模型进行贝叶斯分位回归分析.利用Metropolis-Hastings算法模拟参数的后验边缘分布,解决了参数估计过程遇到的高维数值积分的问题.仿真分析中,参数的迭代轨迹是收敛的,说明MH抽样有效地模拟了参数的后验边缘分布;并且应用该方法估计出了不同分位数下模型参数的后验均值,标准差,MC误差和95%的置信区间.非对称和局部持续性数据的数值模拟,证实了贝叶斯分位自回归模型可以更全面有效地描述滞后变量对响应变量变化范围和条件分布形状的影响.     

复合LINEX对称损失下广义Pareto分布形状参数θ的Bayes估计

广义Pareto分布已被应用在社会学、保险精算学等众多领域,有着非常重要的实际应用价值.该文主要研究了复合LINEX对称损失函数下尺度参数已知,先验分布为伽马分布时,广义Pareto分布形状参数的Bayes估计和E-Bayes估计,给出了二者的精确表达式.最后对参数的Bayes估计和E-Bayes估计进行了数值模拟检验,检验结果说明了估计的合理性.     

数控机床贝叶斯可靠性评估模型的综合评价方法

基于DIC(Deviance Information Criterion)信息准则、BGR(Brooks-Gelman-Rubin)诊断原理、蒙特卡洛仿真误差及模型参数和可靠性指标后验估计的区间长度,提出了数控机床贝叶斯可靠性模型的综合评价方法.给出了不同先验下用于Gibbs抽样的幂律过程模型参数的后验分布,并利用马尔科夫链蒙特卡洛法获得了模型参数和可靠性指标的贝叶斯点估计和区间估计.通过2个工程实例进行验证,结果表明,幂律过程模型各项评价指标均优于Weibull分布模型,适用于小样本故障数据数控机床的可靠性评估.     

非参数回归的贝叶斯估计

基于因变量Y对自变量X条件分布的非参数贝叶斯估计,通过期望计算得到未知回归函数的后验估计表达式,并计算出估计的均方误差,证明该估计的均方收敛性.阐明当先验的选择接近真实的回归函数时,该估计的均方误差小于局部线性核回归的均方误差.最后通过实证分析,表明该非参数贝叶斯回归比非参数局部线性回归具有更好的预测效果.     

非线形模型方差的贝叶斯估计

 在均方误差的条件下,系统地研究了非线形模型方差的贝叶斯估计,提出了共轭和无先验信息的最佳贝叶斯估计和最佳无偏贝叶斯估计以及方差的最佳条件无偏贝叶斯估计.还提出了带有共轭和无先验信息的方差的极大后验估计,最后用一个简单的例子来说明上述结论的可行性.