异方差非简单样本的统计推断

就来自总体N(μ i,σ 2)的样本Y i=(y i 1,y i 2,…,y i mi) T,Yi～N mi(μ i1 i,σ 2N -1 i),N i=diag(n i 1,n i 2,…,ni m i),且Y 1,Y 2,…,Y k独立时,运用线性回归模型理论,给出了参数估计、假设检验、方差分析、多重比较的统计推断统计量.     

杜宾—瓦特森检验统计量DW的期望和方差

本文给出了杜宾－瓦特森检验统计量ＤＷ的期望和方差。     

样本均值与样本方差相互独立的充要条件

对具有二阶矩的总体,本文证明了样本均值与样本方差相互独立的充要条件是总体服从正态分布.     

平衡半样本的方差估计方法在Warner模型中的应用

;基于平衡半样本的方差估计方法是应用在分层抽样而又能提高效率的一种方法,本文将基于平衡半样本的方差估计应用在Warner模型中,得到了Var{π<,st>}的一个无偏估计量.     

关于样本方差函数矩的近似公式

利用Taylor公式和中心极限定理,给出了样本方差某函数的期望和方差的近似公式,并求出了样本方差的某个函数s的渐近分布.     

总体方差矩估计检验的样本崩溃点

检验的样本崩溃点是样本中能逆转当前判决的离群值的最小比例。本文给出了总体方差矩估计检验的样 本崩溃点,并分析了该样本崩溃点的渐近正态性。     

方差非齐及小样本下总体均值差检验的探讨

介绍一种即使在方差非齐的小样本情况下，也能完成检验的改良ｔ检验法．     

基于随机模糊样本的统计学习理论基础

首先介绍了随机模糊理论的基本内容,进而证明了基于随机模糊样本的统计学习理论的关键定理,且讨论了学习过程一致收敛速度的界,为系统建立不确定样本的统计学习理论并构建相应的支持向量机奠定了理论基础．     

异方差下增长曲线模型的统计推断

研究异方差增长曲线模型.基于未知参数的广义枢轴量,讨论了固定效应是否相等的假设检验问题,给出了固定效应两两差的同时置信区间和固定效应的置信域.模拟研究显示所给检验犯第一类错误概率和所给置信区间、置信域的覆盖概率都接近置信水平.     

体育统计中均数检验新公式的探索

本文指出当前体育指标的均数检验实为两种不同类型,并根据类型概率特征,首次提出一种新的均数检验统计量函数式。     

如何理解统计系综概念

本文对统计系综概念进行了详细讨论,并对系统概念中包含的各态历经问题作了简单说明。     

半方差在风险管理中的应用及估计的统计性质

在一定条件下证明了半方差估计具有强相合性，并且在总体具有对称分布时给出了一渐近正态分布．     

基于异方差回归模型估计的算法及程序设计

本文利用牛顿迭代法研究了积性异方差回归模型的估计与群组异方差回归模型的估计,并设计了该算法的计算程序,作为它的应用,计算了积性异方差回归模型估计与群组异方差回归模型估计的两个实例.     

一些K-样本伞形假设检验统计量的渐近功效

目前已有许多关于K-样本位置问题的伞形备择假设检验方法,然而这些检验的功效却并未得到很好的研究.本文就此问题进行了讨论,并得到了四种很有效的伞形备择检验的渐近功效.同时通过比较功效的大小对这四种检验的好坏进行了比较.     

基于样本信息聚集原理的小子样疲劳特性分析

为了对小样本疲劳试验做出指导以及寻求小样本下S-N曲线最优拟合方法,对经典样本信息聚集方法进行了改进。基于不同应力水平下试样疲劳寿命概率分位点的一致性,采用数据共享与融合方法,实现不同应力水平下样本数据信息聚集应用。根据应力■疲劳寿命的线性关系,利用改进后的样本信息聚集方法,对小样本数据中各个应力水平下的疲劳寿命均值进行参数化逐步搜索,得到不同应力水平下疲劳寿命最优值,然后根据最小二乘法拟合出S-N曲线。对不同应力水平作为基准进行了S-N曲线的疲劳特性对比分析,算例结果表明,以低应力水平为基准结合改进后的方法拟合出的曲线与传统成组法拟合结果最大相对误差不到5%,预测出的疲劳寿命误差范围最小。由此可见,改进后的方法提高了小样本疲劳特性分析的可靠性。     

根据考试成绩的统计量来评价教学及试卷

本文阐述了考试成绩统计量的计算及其意义,并根据作者在实践中的探索,来探讨如何通过对各个统计量的分析来对考生集体总体状况、出卷情况、考场情况进行评价。     

刚度及静电力非线性对多自由度微陀螺静态特性影响

为揭示静电力非线性及刚度非线性综合作用下多自由度微陀螺的静态特性,以一类四自由度静电驱动微机械陀螺为研究对象,用Hamilton原理分析了微陀螺在静电力及刚度非线性综合作用下的静态性.系统静态特性对偏置电压的敏感性随着刚度非线性的加强而增加,随着直流偏置电压的增大,非零非稳定平衡点逐渐向零稳定平衡点靠近,同速轨道消失异...     

基于二阶统计量的小样本学习算法研究

为了提高小样本学习的准确率和抗干扰能力,提出了一种基于二阶统计量的小样本学习模型,以CNN最后一层卷积输出的一阶特征向量为输入,通过计算协方差矩阵和二阶池化获得具有较高区分度的二阶统计量,采用奇异值(SVD)分解将二阶特征映射到低维仿射子空间并据此分类.本算法在Omniglot和minilmageNet数据集上进行了测试,实验结果表明,在minilmageNet上的5-way 5-shot模型准确率达到了73.6％,比Prototypical Networks高出5.4％,在Omniglot上的20-way 1-shot模型准确率则获得了2.4％的提升,本算法性能优于Prototypical Networks等算法.在异常值测试中,本算法也展现出比Matching Networks和Prototypical Networks算法更强的鲁棒性.