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.     

用非线性规划证明最短置信区间存在性与唯一性

参数的区间估计是根据枢轴量的分布,在一定可靠度下指出被估计的总体参数所在的可能范围.衡量一个区间估计的优良性有两点,一是置信水平α(0<α<1),另一是区间的长度,通常的做法是对给定的置信水平α(如α=0.05或α=0.01)求出相应的置信区间,区间长度越短说明对参数的估计越准确.讨论了最短置信区间存在和唯一性以及最优置信区间的确定.     

两样本正态总体方差比的最短置信区间研究

用最优假设检验的统计量来构造出两正态总体方差比的枢轴量,分析出基于这一枢轴量用概率对称得到的置信区间的长度并不是最短的。从最短置信区间的本质意义出发,构造出求解最短置信区间的条件并证明其解的存在唯一性,通过数值计算的方法,对于给定置信度1((=0.95,对样本容量从(5,6)至(41,41)的范围内在两正态均值总体未知的情况下,求得了最短置信区间,并与按概率对称求得的置信区间进行了区间长度对比分析。结果表明,在小样本时,用文中求得的最短置信区间来做方差比的区间估计,精度将会得到显著的提高。     

对数正态总体参数的信仰区间估计

用信仰推断法给出了对数正态总体位置参数和尺度参数的信仰区间估计,并与由枢轴量法得到的置信区间估计进行了比较,得出一致的结果。     

均匀分布区间长度的信仰区间估计

利用信仰推断法给出了均匀分布区间长度的信仰区间估计,得到与枢轴量法下的置信区间一致的结果.     

基于贝塔分布的最优置信区间研究

基于贝塔分布的概率特征性质,该文研究了一类特殊的贝塔分布的最优区间估计; 进而,将得到的区间估计与等尾置信区间进行了比较.结果表明:使用最短置信区间作为未知参数的区间估计,估计的精度得到显著提高.最后,利用数值模拟的方法给出了贝塔分布的最短区间估计用表.     

指数分布参数基于不完全数据的区间估计

本文针对不完全观测数据,讨论了指数分布总体参数的区间估计。主要是利用样本分位数和概率密度函数的核估计来构造枢轴量,并推导出了相应的大样本近似分布,从而得到了总体参数的近似置信区间。而且当精度要求不是特别高的时候,给出了总体参数易于计算的近似置信区间。     

Pareto分布中尺度参数的区间估计

研究了枢轴量法、极大似然估计的渐近正态性法和轮廓似然函数法,求解了Pareto分布中尺度参数的置信区间.通过生成随机数进行数值模拟分析,得出区间估计和区间长度,对这几种区间估计方法进行了比较.     

基于MATLAB小样本的最短置信区间

研究了小样本抽样正态总体参数的最短置信区间,对单峰非对称分布给出了最短区间估计MATLAB实现;并通过实例分析其对小样本区间估计的优越性.     

双参数指数分布的兴趣参数的广义置信区间

研究了双参数指数分布的分位数和可靠度函数的广义置信区间问题.首先利用广义枢轴量给出2个兴趣参数的广义置信区间,并证明了在频率意义下2个兴趣参数的广义置信区间具有实际的置信水平,最后通过实例对上述方法进行了数值模拟,结果验证了该方法的有效性.     

伽玛分布参数的最短区间估计与最佳双边检验

证明了伽玛分布参数的最短区间估计与最佳双边检验是存在且唯一的,同时给出了最短区间估计与最佳双边检验需满足的条件;并与传统的区间估计和双边检验进行了比较,得出在小样本情况下讨论参数的最短区间估计和最佳双边检验是必要的。     

定时截尾缺失数据下指数分布的统计推断

当寿命分布为指数分布exp(m)时,通过大量的Monte-Carlo数值模拟试验,得出枢轴量-mm的近似点分布为对数正态分布,并给出m点近似估计及近似区间估计.结果表明,在缺失数据数目不太大时,参数估计的精度还是令人满意的.     

泊松分布参数估计的比较研究

研究了泊松分布点估计及区间估计,并证明了样本均值是参数λ的优良估计量。利用贝叶斯统计分析方法,在取先验分布为共轭分布的情形下,给出了最大后验密度可信区间,即最短可信区间,并通过实例与经典区间估计进行了比较。     

负二项分布参数的贝叶斯区间估计问题

研究了在先验分布为贝塔分布下,负二项分布未知参数θ的贝叶斯区间估计方法。借助Beta分布与F分布的关系给出了参数θ的一般后验区间估计,并给出了参数θ的最短后验区间估计的条件极值解法。通过对参数取值不同的密度曲线形状的讨论分析和数值实例对比,得出结论：在小样本情况下,最短置信区间估计方法值得采用。     

正态总体方差最短置信区间的估计

用传统对称方法得到的正态总体方差的置信区间显然不是最短的,因而从精确度这个意义上说也不是最佳的。从置信区间的定义出发,运用数值计算的方法,对于给定的置信度1-α=0.90,0.95和0.99,在样本容量n从6到35的范围内,求得了方差σ2的最短置信区间,并与用传统对称方法求得的置信区间与最短置信区间的长度进行了对比研究。结果表明,在样本容量n较小情形下,用最短置信区间来作方差σ2的区间估计,将会显著提高估计的精确度。     

Beta分布的最短置信区间的粒子群优化算法

据置信区间的含义和Beta分布的特性,最短置信区间问题转化成非线性规划问题。给出了粒子群优化算法解决此问题的方法,通过数值计算,对于给定的置信度0.90和0.95,在样本容量从3到30的范围内,求得了一类特殊的Beta分布参数的区间估计。并对通常方法求得的置信区间的长度与最短置信区间的长度进行了对比分析。结果表明,用最短置信区间来作未知参数的区间估计,将会使估计精度得到显著的提高。