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.     

瑞利分布参数的最短区间估计

研究了瑞利分布参数的区间估计方法。给出了瑞利分布参数的最短区间估计方法;通过一个实例介绍了最短区间估计方法的应用;最后指出最短区间估计方法比传统区间估计方法所具有的优越性。     

Gompertz分布尺度参数的最短区间估计

研究了Gompertz分布尺度参数的极大似然估计和区间估计方法,给出了Gompertz分布尺度参数的最短区间估计方法;通过实例验证了尺度参数的置信区间包含其极大似然估计值,指出了最短区间估计方法较传统区间估计方法的优越性。     

双边定数截尾下Pareto分布的Bayes估计

基于双边定数截尾样本,在LINEX损失函数和复合LINEX损失函数下,考虑无信息先验分布与共轭先验分布,讨论Pareto分布的形状参数的Bayes估计,并对各条件下参数的估计进行数值模拟比较分析。结果表明,在不同损失函数下,取共轭先验分布时参数的估计优于无信息先验分布下的估计,且在LINEX损失函数下,先验分布取Γ分布时,参数估计的均方误差较小,估计的效果更好。     

定数截尾试验下Pareto分布参数的条件Γ-minimax估计

在定数截尾试验下,假设Pareto分布尺度参数α为已知,当形状参数θ的先验分布在分布族Γ₁和Γ₂上变化时,研究了在对称熵损失函数下,Pareto分布形状参数θ的稳健Bayes估计——条件Γ-minimax估计问题。并利用Monte-Carlo方法进行了模拟,结果表明,条件Γ-minimax估计具有较好的后验稳健性。     

Pareto分布在定时截尾样本下的估计问题

在定时截尾样本下研究两参数Pareto分布的参数估计,并计算它们的条件期望和方差;用数值模拟的办法验证所得估计的优劣,结果显示它们都是近似无偏估计(AUE),且具有较好的稳定性;与相应的定数截尾样本下的估计相比较,它们的相对平均误差小。     

逐步Ⅱ型删失下Scaled half-Logistic分布的区间估计

在逐步Ⅱ型删失数据下,通过构建统计量得到了Scaled half-Logistic分布的参数的置信区间,并借鉴文献[5]的Ⅱ型删失样本模拟算法,给定置信水平,产生了不同删失方式下置信区间长度最短时参数的置信区间.     

随机截尾情形下Rayleigh分布参数的贝叶斯估计

在不同的先验分布和损失函数下给出了未知参数的贝叶斯估计,最后通过随机模拟给出了几种估计的均值和均方误差,说明了其中的两种估计是较优良的.     

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.     

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。     

左截断右删失数据中泊松分布的贝叶斯推断

研究了左截断右删失数据中泊松分布的贝叶斯推断问题.主要给出了参数的极大似然估计和贝叶斯估计,同时给出了相应的置信区间.最后给出了贝叶斯推断的随机模拟检验,通过检验发现:在小样本的情况下,贝叶斯估计精度比极大似然估计的精度高一些,而在大样本的情况下,这2种估计的精度相差不大.在置信区间的构造方面,不论是小样本还是大样本,...     

指数分布下基于失效次数估计参数的方法

本文给出指数分布下基于失效次数进行参数估计的几种不同方法的比较。     

基于删失数据的广义Pareto分布的Bayes分析

研究对于删失数据的广义Pareto分布的Bayes分析。在几种损失函数下,给出了未知参数的Bayes估计,并给出了一种算法。     

删失数据威布尔分布参数的贝叶斯统计分析

主要讨论了当寿命分布是威布尔分布时删失数据的贝叶斯统计分析方法．在考虑尺度参数先验取为逆伽玛分布而形状参数先验分别取为离散分布和均匀分布条件下给出了多种删失数据场合参数的贝叶斯估计;同时为使得计算更为简便,给出了计算贝叶斯估计的Gibbs抽样方法．模拟结果表明给出的方法是有效可行的．     

逐次截尾模型下指数分布的环境因子估计

基于逐次定数截尾模型下,讨论了指数分布环境因子的极大似然估计和区间估计,运用随机模拟方法,进行比较分析,表明其结果的可行性.     

不完全数据情形下指数分布参数的最大似然估计

处理生存分析观测数据使用的参数估计方法有很多,极大似然估计法是最常见的一种估计方法。当寿命分布为指数分布时,本文给出了定时截尾数据、定数截尾数据情形的极大似然估计,以及随机右删失下参数极大似然估计的一般表达式。此外,论文还提出了分组数据场合参数极大似然估计的图解求法。     

指数分布区间型删失数据的可靠度最优置信下限

由于测量仪器的精度,测量方法等原因,往往不能得到产品精确的失效时间,得到的是区间型删失数据.本文讨论了指数分布区间型删失数据下的可靠度最优置信下限的估计问题.首先采用极大似然估计方法对指数分布区间型失效数据的失效率进行了估计,然后对每个区间型失效数据采用期望值对其失效时间进行估计,通过估计出的失效时间估计出了可靠度的最优置信下限,并给出了计算机模拟结果.     

双边定时截尾下Pareto分布的参数估计

在双边定时截尾样本下,用极大似然法求Pareto分布中形状参数的估计,由于似然方程较复杂,无法得到参数的显式表达式,但是可以证明极大似然估计是唯一存在的. 由于EM算法是处理缺损数据的一种有效方法,因此利用该算法来求参数的估计问题.用EM算法得到了形状参数估计的迭代式,借助Louis遗失信息原则得到了估计的渐近方差,根据中心极限定理得到了形状参数的近似置信区间.随机模拟结果表明形状参数的EM估计收敛到其极大似然估计.实例给出了不同样本下参数的点估计和区间估计.