负二项分布的性质及其应用

本文给出了负二项分布的若干性质并对其应用进行了研究。     

有先验信息的多参数分布族的参数估计

定义了拟极大似然估计和偏拟极大似然估计,并证明了二者在一定的条件下是一致的,最后给出了两个例子说明这两种估计的一致性.     

基于EM算法的极大似然参数估计探讨

首先介绍了EM算法，然后研究了基于EM算法的混合密度极大似然参数估计，最后利用计算机仿真验证了此算法的收敛性和有效性。     

基于EM算法的Dirichlet分布的参数估计

为了克服Dirichlet分布的传统估计算法复杂且不能保证有效性的缺陷,将基于Dirichlet分布的随机表示引入缺失数据,构造了EM算法计算参数的极大似然估计,算法简单的同时保证了估计的有效性.最后进行统计模拟,结果表明,本文提出的基于EM算法的Dirichlet分布的参数估计有很好的估计精度.     

负二项分布可靠度的经验Bayes估计

在平方损失函数下,获得了负二项分布可靠度θ的Bayes估计,在一般条件下,利用其边缘分布的特性,构造了相应的经验Bayes估计,并证明了得到的EB估计是相合的渐近最优的.     

负二项分布参数的一类近似区间估计

借助负二项分布和卡方分布的极限关系,推导给出当参数P较小条件下的近似区间估计,并通过数值例子介绍了此区间估计方法的应用．     

生长曲线模型中参数阵的非负估计

本文对生长曲线模型,(广义方差线性模型)中参数阵B,给出了求解其非负估计的一种方法。     

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。     

负二项分布参数的两种区间估计

研究了负二项分布参数的区间估计方法,给出其两种区间估计方法.首先给出负二项分布参数的精确区间估计方法;其次给出大样本近似区间估计方法.最后通过数值例子介绍这些区间估计方法的应用.     

负二项分布可靠度的E-Bayes估计

对负二项分布,给出在熵损失函数下当可靠度的先验分布为Beta分布和幂分布时可靠度的Bayes估计、E-Bayes估计及多层Bayes估计,并针对先验分布为幂分布的情形设计了相应的数值实验.实验结果表明,相对于负二项分布可靠度的多层Bayes估计,其E-Bayes估计的计算更简单,且稳健性也更好.     

负二项分布在区域自主创新评价中的应用

文章在泊松分布评价模型改进的基础上提出了负二项分布的评价模型,对我国区域自主创新进行评价,充分考虑了影响区域自主创新的因素,并将这些因素纳入到评价模型中;实验研究结果表明,负二项分布模型运用于区域自主创新的评价是可行和有效的,为国家和区域自主创新的评价提供了一个新的研究工具。     

一类随机变量序列关于乘积分布的强偏差定理

引进似然比作为整值随机变量序列相对于服从二项分布的独立随机变量序列的偏差的一种度量,并通过限制似然比给出了样本空间的一个子集,在此子集上得到了任意整值随机变量序列的一类用不等式表示的强极限定理,作为推论得到了服从二项分布的独立随机变量序列的一族强大数定理．进一步发展和完善了状态空间有限的随机变量序列关于乘积分布的强偏差定理．     

负二项分布的结构研究

给出了负二项分布的两个不同定义与一个结构性定理.研究了两类负二项随机变量的无穷可分性.给出了求两类负二项随机变量的期望、方差与矩母函数的几种简捷方法.另外给出了涉及负二项随机变量的两个计算实例.     

条件负二项分布的双参数加法定理

在研究只允许部分服务台进入休假状态的多服务台M/M/c排队系统时,发现了条件Erlang分布的双参数加法性质,进一步研究发现相对应离散随机状态的负二项分布也具有类似的性质.本文证明了当X服从参数（m,p）的负二项分布,Y和Z服从参数为p和θ的几何分布且相互独立时,在X＜Z＜X＋Y条件下,Z的条件分布是参数（m＋1,p＋θ-pθ）的负二项分布,可称之为条件负二项分布的双参数加法定理;并给出了在X＜Z的条件下,X的条件分布是参数（m,p＋θ-pθ）的负二项分布.它们对导出复杂排队系统中离散状态下顾客等待时间分布及保险公司中破产概率上界的计算起着重要作用.     

熵损失下负二项分布可靠度的E—Bayes估计

对负二项分布,给出可靠度在熵损失函数下的Bayes估计,在此基础上给出当先验分布为幂分布时,可靠度的E-Bayes估计和多层Bayes估计,并设计了相应的数值实验,实验结果表明负二项分布可靠度的E-Bayes估计较多层Bayes估计稳健性更好,计算更简单,便于实际应用.     

线性指数分布参数的经验贝叶斯估计

对线性指数分布在平方损失下获得了参数的贝叶斯估计,并构造了相应的经验贝叶斯估计,证明了所提出的经验贝叶斯估计是渐近最优的且有收敛速度O（n^-q）,其中q=（s-1）（λs-1）／[s（2s＋1）],1／2〈λ〈1—1／（2s）,s≥2是一给定的整数．     

双幂变换下参数极大似然估计的精确分布研究

在双幂变换下,使用极大似然估计方法估计正态线性回归模型中的变换参数,并研究其精确分布.给出了极大似然估计的精确分布函数,并通过模拟研究表明了,其分布不仅依赖于变换参数取值,还与方差和回归系数的取值密切相关;得到极大似然估计是一奇异随机变量,不具有密度函数的结论.为双幂变换的应用提供了很重要的理论依据.     

在LINEX损失下指数分布刻度参数EB估计的渐近最优性

在LINEX损失函数下,研究指数分布刻度参数的非参数的经验Bayes(EB)估计问题.在此损失函数下,找出参数的Bayes估计,利用抽到的样本,采用密度函数的核估计方法,构造总体X的边缘密度函数,得到参数的EB估计,指出这种EB估计是渐近最优的,它的收敛速度为0(n-γs(l-2)/(2s+1)l),并且这种EB估计方法可推广到多参数情形,举例说明它的应用.     

双参数指数分布步加试验TFR模型下修正的MLE

给出了双参数指数分布全样本场合下步进应力加速寿命试验TFR模型下参数的修正极大似然估计,并通过Monte-Carlo模拟证明了修正的极大似然估计要好于极大似然估计.