寿命分布类的次序统计量的联合分布

本文把计算次序统计量的联合分布由两个次序统计量的情况推广到K个次序统计量的情况，并求出了一些常用的寿命分布类的κ个次序统计量的联合分布。     

广义V—统计量的极限性质

在文献 [1]、[2 ]、[3]的基础上 ,将 [4]中的有关结果推广到广义V—统计量的情形 ,给出了广义V—统计量的极限性质     

顺序统计量的分布

先用归纳法证明多个顺序统计量的联合分布,接着又根据顺序统计量的联合分布研究单个顺序统计量的分布,最后对其条件分布也做了系统的研究.     

利用局部Moran''''s Ii统计量检验回归模型的残差之间的趋势性

局部Moran'sIi统计量是在检验空间的局部相关性时经常用到的一个统计量.本文基于正态变量二次型分布的理论,利用局部Moran'sIi统计量来检验经典线性回归模型的拟合残差之间的趋势性,并给出了计算检验p-值的精确方法与三阶矩χ2逼近方法.     

双截尾的Cauchy 分布顺序统计量的渐近分布

设 {X_k, 1 ≤k ≤n}独立同分布, X_1:n, X_2:n, … , X_n:n为其顺序统计量。当 X_k服从参数为 A 和 B(A1:n和X_n:n的渐近分布; 当 k(k>1)固定时,得到X_n:n和X_n-k+1:n的渐近分布; 并且证明其极端顺序统计量X_1:n和X_n:n是渐近独立的。     

次序统计量分布的参数识别

设x_1,x_2,…,x_n是n个相互独立的随机变量,第k个(1≤k≤n)次序统计量x(k)的分布是否能唯一决定每个随机变量x_i(i=1,2,…,n)的分布,当k=n时,Anderson TW等对一定类型的随机变量作出了肯定的回答。本文将对一定类型的相互独立同分布(i.i.d.)的随机变量,研究k为任意正整数(1≤k≤n)时上述提出的问题。     

幂分布次序统计量的性质及渐近分布

设随机变量X服从参数为a的幂分布,X1∶n,X2∶n,…,X n∶n为其次序统计量,得到了参数a的置信区间以及X1∶n和X n∶n的渐近分布;当k(k>1)固定时,得到了X k∶n和X n-k+1∶n的渐近分布.     

拉普拉斯分布顺序统计量的分布性质

设{Xk，1≤k≤n}独立同分布，X（1），X（2），…，X（n）为其顺序统计量．当Xk服从参数为λ（λ〉0）和μ（μ为实常数）的拉普拉斯分布时，得到了（X（1），X（2），…，X（n））的联合概率密度函数，以及X（1）和X（n）的密度函数．从而进一步得到X（1n）和X（n）的数学期望与方差的表达式．此外还证明了X（1），X（2）—X（1），…，X（n）-X（n-1）不独立，且不同分布．     

ρ-(h,ψ)-弱预不变凸函数及其性质

利用BEN-TAL广义代数运算对强预不变凸函数和(h,ψ)-η-预不变凸函数进行推广,定义了一类新的广义(h,ψ)-凸函数-ρ-(h,ψ)-弱预不变凸函数,给出并证明了它的一些性质.     

关于Gamma分布顺序统计量的分布性质

设{Xk,1≤k≤n}独立同分布,X(1),X(2),…,X(n)为其顺序统计量.当Xk服从参数为λ(λ0)和r(r为正整数)的Gamma分布时,得到(X(1),X(2),…,X(n))的联合概率密度函数,及X(1)和X(n)的密度函数.从而进一步得到X(1)和X(n)的数学期望与方差的表达式.证明当r≠1时,X(1),X(2)-X(1),…,X(n)-X(n-1)不独立,且不同分布.     

关于帕雷托分布顺序统计量的分布性质

设{Xk,1≤k≤n}独立同分布,X(1),X(2),...,X(n)为其顺序统计量.当Xk服从参数为r(r＞0)的帕雷托分布时,得到了(X(1),X(2),...,X(n))的联合概率密度函数,以及X(1)和X(n)的密度函数.从而进一步得到X(1)和X(n)的数学期望与方差的表达式.此外还证明了X(1),X(2)-X(1),...,X(n)-X(n-1)不独立,且不同分布.     

任意两个秩序统计量的联合分布

设X(1),…,X(n)是来自于一个连续分布总体的随机样本X1,…,Xn的秩序统计量,给出了任意两个秩序统计量的联合分布函数和联合密度函数的推导证明,从而为其进一步应用打下了基础.     

关于次序统计量的联合分布与应用

设总体X具有连续的分布函数F(x)以及概率密度f(x),X(1),X(2),…,X(n)为次序统计量.得到了任意k个次序统计量的联合密度的一般形式.     

关于Weibull分布顺序统计量的分布性质

设{Xk,1≤k≤n}独立同分布,X(1)≤X(2)≤…≤X(n)为其顺序统计量,当X(k)服从参数为m和η的韦布尔分布时,得到了其顺序统计量的联合概率密度函数和极端顺序统计量的密度函数,进一步得到X(1)和X(n)数学期望与方差的表达式。此外还证明了当参数m≠1时,X(1),X(2)-X(1),…,X(n)-X(n-1)不独立且不同分布;当参数m=1时,X(1),X(2)-X(1),…,X(n)-X(n-1)独立但不同分布。     

关于幂分布顺序统计量的分布性质

本文给出了幂分布顺序统计量的联合密度函数,以及极值顺序统计量的密度函数,从而进一步得到极值的数学期望与方差的表达式.此外还证明了X(1),X(2)-X(1),…,X(n)-X(n-1)不独立,且不同分布.     

三参数的Pareto分布顺序统计量的渐近分布

设{Xk,1≤k≤n}独立同分布,X1∶n,X2∶n,…,Xn∶n为其顺序统计量.当Xk服从三参数分别为μ,σ,r(μ∈R,σ＞0,r＞0)的Pareto分布时,作者得到了其极端顺序统计量X1∶n和Xn∶n的渐近分布;当k(k＞1)固定时,得到了Xk∶n和Xn-k+1∶n的渐近分布,并且证明其极端顺序统计量X1∶n和Xn∶n是渐近独立的.     

Kumaraswamy分布顺序统计量的数字特征及渐近性质

设{Xk,1≤ k ≤n}独立同分布,X（1）,X（2）,······ X（n）为其顺序统计量,当总体服从Kum（λ,φ）分布时,得到了其顺序统计量的联合概率密度、极端值顺序统计量的概率密度和k阶矩的表达式.此外还研究了极端值顺序统计量X（1）和X（n）的渐近分布。     

一种新的基于回归分析的异常值检测

异常值检测是当前数据分析中的一个重要研究领域.模型中的异常值会直接影响建模、参数的估计、预测等问题.回归分析是应用极其广泛的数据分析方法之一,本文针对回归分析中的异常值检测进行了研究.该方法基于均值转移模型,根据异常值对残差平方和的影响关系构造一个新的异常值判断准则的统计量,并给出了估计异常值大小的公式.本文进行了大量的模拟实验和实例分析,与传统方法相比,结果表明该方法是有效的.     

艾拉姆咖分布次序统计量的性质

研究艾拉姆咖分布次序统计量的性质,给出其密度函数,数学期望和方差,证明它的间隔不独立且不同分布.