序约束下一类指数分布族参数的Bayes估计

在平方损失和熵损失函数下,分别讨论序约束下先验分布选取杰佛莱准则时两个单参数指数分布族总体参数的Bayes估计,进而给出了序约束下不同损失函数时的两个单参数指数分布族总体参数精确的Bayes估计形式,并证明了该估计的容许性。     

区间数据样本下指数分布平均寿命的矩估计

讨论了区间数据样本下单参数指数分布的两种矩估计问题.分别利用δi和(Vi,δi)构造出单参数指数分布的两种矩估计,就无偏性和渐近方差为指标,得到两种矩估计的比较.     

关于指数分布参数的两种估计

利用极大似然估计以及方向极大似然估计的概念,分别得到了双参数指数分布的参数的估计量,并证明了双参数指数分布中的两个参数满足双曲线型关系     

双参数指数分布参数的最短区间估计

研究了双参数指数分布的区间估计方法.首先讨论了当其中一参数为已知,而另一参数未知时,双参数指数分布尺度参数基于选定枢轴变量的最短区间估计方法;然后讨论了两参数均未知的情况下,参数的最短置信区间估计方法.     

指数分布场合下只有一个失效数据的统计分析

针对定时截尾试验中只有一个失效发生情况下,利用指数分布母体分布函数的凹凸性给出了各检测时刻失效概率的Bayes估计,然后用最小二乘法给出指数分布参数λ的估计,进而得到指数分布可靠度估计。最后将此方法应用于实际例子,所得结果较为稳定。     

对称指数分布的参数估计及其优良性

研究了双参数对称指数分布的参数估计问题,给出了2个参数的极大似然估计.在样本容量为奇数的情形,证明了样本中位数作为双参数对称指数分布位置参数的极大似然估计,具有无偏性与强相合性;尺度参数的极大似然估计具有强相合性.在样本容量为偶数的情形,证明了2个参数的任一极大似然估计均具有强相合性.     

双参数指数分布的参数估计(Ⅰ)

本文讨论了双参数指数分布的参数估计和区间估计问题,分别给出参数的最大似然估计,Bayes估计和最优线性无偏估计,并且给出了一致最小方差无偏估计。     

指数分布在截尾数据下参数的区间估计

针对截尾数据的参数的区间估计问题,通过构造差分给出了指数分布在截尾数据下参数的区间估计.     

关于指数分布无失效数据的一种Bayes分析

对指数分布无失效数据给出了一种新的处理方法:用Bayes方法寻求指数分布情况下的拟累积失效数的估计,从而获得无失效情况下未知参数的修正极大似然估计.     

位置参数受约束时指数分布的参数估计

考虑了位置参数爱约束时指数分布位置参数与尺度参数的估计问题，分别给出了无约束时位置参数与尺度参数的最佳仿射同变估计的改进估计。     

逐次定数截尾模型下双参数指数分布的区间估计

基于逐次定数截尾模型下,讨论了双参数指数分布形状参数和尺度参数的区间估计,得到了两参数的区间估计和联合区间估计.最后以估计区间的最短长度为标准,通过数值模拟得到参数的最优区间估计方法.     

应力为二元Weinman型指数分布强度为指数分布下结构可靠度的估计

考虑了应力服从二元Weinman型指数分布,强度服从指数分布的应力-强度模型,分别在应力参数和强度参数未知情形下给出了该模型可靠度的估计,并讨论了其性质.     

两参数广义指数分布族形状参数的经验Bayes估计

利用经验Bayes方法研究了两参数广义指数分布未知形状参数的Bayes估计,并给出了数值模拟例子,说明此种方法估计的有效性.     

双参数指数分布的加权矩估计

利用加权矩估计方法,得到双参数指数分布中参数的加权矩估计量,讨论了估计量的方差和特征函数,并利用算例说明了加权矩估计优于矩估计．     

逐次定数截尾下双参数指数分布的参数估计

讨论了双参数指数分布基于逐次定数截尾样本下的参数估计,导出了参数的逆矩估计和极大似然估计,并通过数值模拟进行比较,模拟结果表明逆矩估计优于极大似然估计。     

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。
     

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.     

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。     

指数分布参数的Bayes及多层Bayes估计

对寿命服从指数分布的产品,先验分布为Gamma分布时,给出了参数的Bayes估计和多层Bayes估计。     

双参数指数分布门限参数估计的讨论

针对双参数指数分布门限参数的两种最常用估计“极大似然估计和最小方差无偏估计”的缺陷,提出了一种新的估计方法,给出了最小方差无偏估计不合理程度的一个度量,统计计算结果表明了新估计的优良性.