基于熵损失函数和定数截尾情形下一类分布族参数的估计

基于定数截尾和熵损失函数,得到了一类分布族参数的Bayes估计和可容许估计,并讨论了一类（cT+d）-1形式估计的可容许性和不可容许性.     

熵损失函数下巴斯卡分布参数的Bayes估计

研究在熵损失函数下 ,巴斯卡分布可靠度的 Bayes估计及其可容许性 ,并且给出 Bayes置信下限以及多层 Bayes估计的表达式     

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．     

非对称损失函数下逆指数分布参数的Bayes估计

针对逆指数分布的估计问题,在参数的先验分布为无信息Quasi先验分布下,得到了平方误差、LINEX损失和熵损失函数下参数的Bayes估计。最后,通过各估计在平方误差损失函数下的风险函数的比较给出本文的结论。     

熵损失函数下指数分布参数的估计

文章在指数分布参数的先验分布为其共轭先验分布Gamma分布Γ(a,b)时,给出了其在熵损失函数下的E-Bayes估计和多层Bayes估计。     

熵损失函数下Burr分布参数的Bayes估计

讨论了在熵损失函数下Burr分布的参数在不同先验分布下的Bayes估计,并且讨论了其多层Bayes估计,给出了容许性估计的一般形式.     

定时截尾情形下指数分布参数的估计

本文给出了定时截尾情形下指数分布的参数极大似然估计,证明了极大似然估计的强相合性质以及进一步的渐近正态性质.其结果对于其它的总体分布的参数估计具有普遍的现实意义.     

对称熵损失函数下两参数广义指数分布形状参数的Bayes估计

在对称熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并给出了一类逆线性形式(cT+d)-1估计的可容许性和不可容许性的条件.     

定时截尾情形下指数分布参数的估计

本文讨论了定时截尾情形下指数分布参数的极大似然估计问题,证明了估计的强相合性和渐近正态性,给出了估计的进一步的渐近性质.其结果对于其它的总体分布的参数估计具有普遍的现实意义.     

截尾试验下指数分布可靠度的Bayes估计

在指数分布场合,定时或定数截尾试验下,本文讨论了相应于几种不同先验分布可靠度的Bayes估计。     

一种加权对称损失函数下Rayleigh分布尺度参数倒数的Bayes估计

首先给出了在加权对称损失函数下Rayleigh分布尺度参数的Bayes估计的一般形式.然后在给出先验分布的条件下,给出了Bayes估计的精确形式.最后证明了此Bayes估计的可容许性.     

具有混合试验中参数的Bayes估计及其分布函数

混合试验是寿命分析中极其有用的检验设计,它比定时试验或定数提供更多的试验信息。由此研究了混合试验中指数分布参数的Ｂａｙｅｓ估计,并导出Ｂａｙｅｓ估计的分布函数。     

基于记录值的GE分布参数的Bayes和经验Bayes估计

针对来自广义指数(GE)分布的记录值样本,研究了广义指数分布的参数的估计问题.首先给出了参数的最大似然估计;在参数的共轭先验分布为贝塔先验分布,损失函数为平方误差损失和LINEX损失函数情形下,导出了广义指数分布参数的Bayes和经验Bayes估计.最后进行了Monte Carlo数值模拟,对本文提出的几种参数估计进行比较,发现在合适的先验分布条件下Bayes和经验Bayes估计值更加接近参数真实值,因此在适当的先验分布下Bayes估计和经验Bayes 估计较传统的最大似然估计好.     

Linex损失下Poisson分布参数的Bayes估计

记X1,X2,…,Xn为来自Poisson总体容量为n的样本,在Linex损失函数下,给出了Pois-son分布参数θ的Bayes估计并证明其可容许性,同时也得到了该参数的多层Bayes估计的表达式。     

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。     

熵损失下Poisson分布参数倒数的估计

研究在熵损失函数下 ,Poisson分布参数倒数的估计 ,得出在熵损失下 ,[c T( X ) d] -1 形式的一类估计的可容许性和不可容许性 ,并给出可容许估计的充要条件