IIRCT下泊松分布参数单变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息随机截尾试验下泊松分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对参数进行了估计,最后进行了随机模拟,试验结果表明参数贝叶斯估计的精度较高.     

IIRCT下对数正态分布参数多变点的贝叶斯估计

通过添加缺损的寿命数据,得到了带有不完全信息随机截尾试验下对数正态分布多变点模型的完全数据似然函数.利用MCMC方法对各参数的满条件分布分别进行抽样,详细介绍了MCMC方法的实施步骤.随机模拟试验结果表明各参数贝叶斯估计的精度较高.     

IIRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

IRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何分布的完全数据似然函数,然后研究了变 点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参 数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶 斯估计的精度都较高.     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

带有不完全信息随机截尾试验下伽玛分布多变点模型的参数估计

利用MCMC方法研究了带有不完全信息随机截尾试验下伽玛分布多变点模型的参数估计问题.通过添加缺损的寿命变量数据得到了瑞利分布的完全数据似然函数,对各参数的满条件分布进行了随机抽样.随机模拟证实了各参数估计的精度都较高.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下对数正态分布参数多变点的贝叶斯估计

通过添加数据得到左截断右删失数据下对数正态分布的完全数据似然函数,研究了变点位置和其它参数的满条件分布.再利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,进行随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。
     

IIRCT下瑞利分布参数多变点的贝叶斯估计

利用MCMC方法研究了带有不完全信息随机截尾试验下瑞利分布多变点模型的参数估计问题.通过扩充缺损的寿命变量数据得到了瑞利分布的似然函数,对各参数的满条件分布进行了随机抽样.随机模拟证实了各参数估计的精度都较高.     

左截断右删失数据下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

混凝土细观数值试验的随机损伤本构模型

混凝土在细观尺度下是由粗骨料、砂浆和界面过渡区(ITZ)组成的三相复合材料。目前考虑细观尺度上这三相之间力学性能的不同,已经进行了大量的细观数值试验研究。然而混凝土为典型的多尺度材料,在细观尺度下混凝土各相自身也是非均质的。鉴于此,提出了细观尺度下代表性体积单元(RVE)的随机损伤本构模型,并编制了相应的有限元程序。利用编制的程序,进行了随机骨料模型单轴拉伸和压缩数值试验;并进行了双骨料试件单轴拉伸数值试验。结果表明,该模型虽然结构简单,但能较好地反映混凝土的主要宏观力学行为和细观损伤的产生和演化发展。最后,通过参数敏感性分析,阐明了不同模型参数对混凝土宏观力学特性的影响。该模型可为混凝土细观数值试验研究提供支撑。     

IIRCT下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了IIRCT下二项分布的完全数据似然函数,给出了变点位置和其它参数的满条件分布。利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样。详细介绍了MCMC方法的实施步骤。得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计。随机模拟试验的结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下伽玛分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下伽玛分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC(Markov Chain Monte Carlo)方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下泊松分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

微观因素对铸铁材料极限强度的影响

为了研究微观因素对铸铁材料极限强度的影响,根据材料的破坏机理,提出了一种宏、微观跨尺度裂纹扩展模型,该模型可描述材料从微观缺陷到宏观断裂的过程。模型中初始微观缺陷大小及3个尺度效应函数,代表着微观因素对破坏过程的影响。进行了铸铁试件的单向拉伸试验,根据试验数据,采用打靶计算,拟合出了模型中的2个材料特性参数。对铸铁试件的拉伸极限强度进行了计算,计算结果与铸铁件拉伸极限强度的试验数据完全吻合。研究结果表明,极限强度值受微观因素影响具有一定的离散性,可由模型得到正确反映。最后通过数值模拟计算,探讨了微观因素对材料破坏过程的影响。     

缺失数据下Logistic回归多变点模型的贝叶斯估计

利用随机的方法填充了缺失数据,获得了Logistic回归多变点模型的完全数据似然函数.研究了变点位置等未知参数的满条件分布.利用筛选法和Metropolis-Hastings算法对参数进行抽样,把Gibbs样本的均值作为参数的贝叶斯估计.随机模拟的结果表明估计的精度较高.     

带有不完全信息随机截尾试验中参数MLE的似然比检验

研究了带有不完全信息随机截尾试验数据,当失效显示概率pi(i=1,2,…,n)不相等时,在条件(Ψ)下,对参数M LE的进行似然比检验,证明了2logΛn(x)依分布收敛于k2χ-r.     

Weibull分布在完全数据条件下的参数估计

在完全数据条件下对Weibull分布,分别使用Newton-Raphson算法、CM算法进行完全数据Weibull分布参数的极大似然估计计算,并且在得到相应的迭代公式后,进行随机模拟,从模拟结果来分析这两种算法在处理Weibull分布参数的极大似然估计的优良性.     

两参数Lomax分布中参数的区间估计和假设检验

研究了两参数Lomax分布参数的区间估计和假设检验问题.分别在形状参数和尺度参数已知的情形下,给出了尺度参数、形状参数的置信区间和假设检验的拒绝域以及p分位数的置信区间,并运用随机模拟的方法分别对2个参数进行了统计分析.