Mlinex损失函数下指数分布尺度参数的Bayes估计

在Mlinex损失函数下,求出了指数分布的尺度参数的唯一Bayes估计量,并对Bayes估计δB的容许性和形如d[c＋T（x）]的估计量的容许性进行讨论。其主要结果是：在Mlinex损失函数下,指数分布的尺度参数的唯一Bayes估计是δB=[Г（α＋β）/Г（α＋β-c）]^1/c（λ＋∑i=1^mxi,而且可容许的;形如dEc＋T（z）]的估计量当C〉0,d’〈d〈∞以及当c〉0,d。一d时是可容许的。     

熵损失函数下几何分布参数的Bayes估计

本文在熵损失下，给出了对于任何先验分布的几何分布参数θ的Bayes估计，同时由参数θ的充分统计量Σni=1Xi，给出了熵损失函数下，不同先验分布时几何分布参数θ的Bayes估计，并且证明了在熵损失函数下，对任一先验分布，几何分布的参数θ的Bayes估计δB（X）是可容许估计．     

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.     

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.     

Mlinex损失函数下指数分布的尺度参数的Bayes估计

在Mlinex损失函数下,求出了指数分布的尺度参数的唯一Bayes估计量,并对Bayes估计δB的容许性和形如d[c+T(x)]的估计量的容许性进行讨论。其主要结果是:在Mlinex损失函数下,指数分布的尺度参数的唯一Bayes估计是 * ,而且可容许的;形如 * 时是可容许的。(注：*处为公式)
     

Linex损失下Rayleigh分布参数倒数的Bayes估计

在Linex损失函数L(θ,δ)=ec(δ-θ)-c(δ-θ)-1,c>0下,给出Rayleigh分布的尺度参数倒数的唯一Bayes估计δB(X)=-1/clnE(e-cθ│X)=(n α)/cln(1 c/(λ T)),多层Byaes估计δ∧B(X)=-1/cln,和容许性估计的一般形式Sln(1 c/(d T)).     

对称损失下一类刻度分布族参数的估计

q对称熵损失函数L(θ,δ)=θ_q/δ_q+δ_q/θ_q-2(0-νe_-T(x)/θ参数θ的估计, 得到 了θ的最小风险同变(MRE)估计及Bayes估计的一般与精确形式, 并讨论了θ的形如cT(X)+d的一类线性估计的可容许性和不可容许性以及θ的MRE估计的最小最大性.     

q -对称熵损失函数下Pareto分布参数估计

Pareto分布作为一种收入分布有着很重要的现实意义,其形状参数的大小直接影响收入分布的均衡程度,因此在经济中有着广泛的应用价值.主要研究了q-对称熵损失函数下Pareto分布形状参数的最小风险同变估计和Bayes估计.通过证明得到,在适当的Γ-先验分布下,α的Bayes估计都具有统一的形式[cT＋d]-1.并且,针对c和d的各种不同取值情况,讨论了[cT＋d]-1的可容许性和不可容许性,给出了q-对称熵损失函数下参数的最小最大估计.     

对称损失下一类指数分布族的Bayes估计

在对称损失函数下,研究了一类指数分布族尺度参数的估计,并研究了它的的可容许性.得到了尺度参数的Bayes估计的一般形式,在共轭先验分布下得到了尺度参数的Bayes估计的精确形式.在此基础上,讨论了一类形式如cT＋d估计量的可容许性和不可容许性. 更多还原     

不同损失函数下不同无信息先验的Bayes估计及比较

讨论了采用损失函数L2（θ,δ）=aθ^m（δ（x）-x）^2时,在二项分布场合下关于产品合格率的不同无信息先验分布下的Bayes估计,并从Bayes风险的角度,对损失函数为L2（θ,δ）=θ（δ（x）-x）^2。的Bayes估计与[1]中所得的Bayes估计进行了比较。从而得出了采用损失函数L2（θ,δ）=θ（δ（x）-x）^2进行Bayes估计较优的结论。     

多维正态分布参数估计的损失函数和风险函数的Bayes估计

在N P（θ,Σ）和方差Σ已知情况下,给出了多维正态分布多维参数均值θ=（θ1,θ2,…,θΡ）估计的损失函数和风险函数的Bayes估计。     

一种加权对称损失函数下一类指数分布模型参数的估计

对刻度参数指数分布模型c(x,n)θ-v e-T(x)/θ提出了一种新的损失函数——加权p,q对称熵损失函数L(θ,δ)=θp/pδp +δq/qθq -2(p,q＞O,q＜v),并用它研究了刻度参数θ的估计.得到了参数θ的最小风险同变估计与Bayes估计的一般形式与精确形式,这两种估计形式比已有文献中相应形式更为简捷...     

模拟伽玛随机变量的一种有效方法

模拟产生伽玛随机变量,在统计理论和应用上都有很重要的意义．现有产生伽玛随机变量的方法,或需要借助比较复杂的优化函数,或依赖于中间参量的取值,方法上都有一定的局限性,这一点尤其体现在形参α∈（0,1）情形中．论文分析了伽玛随机变量形状参数在模拟过程中所起的作用,及“拒绝方法”在模拟过程中的局限性,利用截尾伽玛分布,成功模拟出形参α∈（0,1）的伽玛随机变量．模拟结果完全通过检验,效率较高,效果理想．     

两两NQD序列下威布尔分布族参数的经验Bayes检验

在“线性损失”下,基于两两NQD样本序列情形研究了威布尔分布族刻度参数经验 Bayes（EB）检验问题,首先利用概率密度函数的核估计,构造了刻度参数的经验 Bayes 检验函数,在适当的条件下,证明了所提出的经验Bayes检验函数的渐近最优（a.o.）性,并获得了它的收敛速度.     

基于收缩估计法的广义Pareto分布参数的估计

由于广义Pareto分布在金融和保险等领域的广泛应用,对于该分布的统计推断成为研究的热点.将在参数的先验分布为倒伽玛分布条件下研究广义Pareto分布参数的Bayes估计问题,并在平方误差和LINEX损失函数下,导出了参数的Bayes估计和Bayes收缩估计.文末给出了Monte Carlo数值模拟试验和结论.     

Linex损失下Pareto分布参数的EB估计：PA样本情形

在Linex损失下,讨论了Pareto分布参数的经验Bayes（EB）估计.利用同分布PA样本下概率密度函数的核估计构造了参数的经验Bayes估计,建立了所提出经验Bayes估计的收敛速度.在一定的条件下该收敛速度可以任意接近于1.     

几何模型中参数的经验贝叶斯估计的渐近性

依据经验Bayes估计的思想方法,研究在平方损失函数下几何分布中参数的经验Bayes(EB)估计问题.研究过程为:在平方损失函数下求得参数的Bayes估计,在相同的损失函数下,利用频率逼近概率这一事实,构造参数的EB估计,最后证明所得到的EB估计是渐近最优的,收敛速度为o(n-(2s-1)/(2s+1)).