左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

左截断右删失数据下对数正态分布参数多变点的贝叶斯估计

通过添加数据得到左截断右删失数据下对数正态分布的完全数据似然函数,研究了变点位置和其它参数的满条件分布.再利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,进行随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下伽玛分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下伽玛分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC(Markov Chain Monte Carlo)方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下泊松分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。
     

IIRCT下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了IIRCT下二项分布的完全数据似然函数,给出了变点位置和其它参数的满条件分布。利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样。详细介绍了MCMC方法的实施步骤。得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计。随机模拟试验的结果表明各参数贝叶斯估计的精度都较高。     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

截断删失数据下瑞利分布多变点模型的贝叶斯估计

为研究截断删失数据下瑞利分布多变点模型的参数估计问题,利用MCMC方法,通过筛选法添加部分缺损的寿命变量数据,得到了相对简单的似然函数.在获得变点位置和其它参数的满条件分布后,利用Gibbs抽样和Metropolis-Hastings算法对各参数的满条件分布分别进行了抽样.按照MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

基于左截断右删失数据的Lomax分布形状参数估计

Lomax分布是数理统计中一种重要分布,基于EM算法及极大似然法研究了左截断右删失数据下Lomax分布的参数估计,推导出参数的迭代式,并应用随机模拟对参数迭代式进行模拟检验,结果表明,迭代式能够快速收敛,估计值精确度较高.     

截断删失数据下泊松分布参数的点估计

利用EM算法和MCMC方法对截断删失数据下泊松分布寿命参数的点估计进行了研究.利用逆变换法和舍选法对缺损数据进行了填充,获得了产品的完全数据,得到了参数的EM迭代公式.对满条件分布进行了抽样,把Gibbs样本的算术平均值作为参数的MCMC估计.随机模拟的估计效果较好,估计值比较稳定,且精度较高.     

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.     

随机截尾下Lomax分布中形状参数的估计

首先在随机截尾样本下给出了Lomax分布形状参数θ的极大似然估计;其次取伽玛分布作为共轭先验分布,在不同的损失函数下给出了形状参数的贝叶斯估计,最后通过实例给出了一个随机样本下形状参数θ的点估计和区间估计.     

部分区间删失数据下广义指数分布的参数估计及应用

考虑部分区间删失数据, 当时间变量服从广义指数分布时, 在尺度参数是否受协变量影响下建立两种模型, 再对模型参数进行极大似然估计, 并用Newton-Raphson算法求解参数估计值. 模拟实验和实例分析结果验证了模型的有效性.     

Linex损失下二项分布参数的Bayes估计

在Linex损失函数下讨论了二项分布参数的Bayes估计,当先验分布取Beta分布和幂分布时分别给出了参数的Bayes估计,多层Bayes估计,E-Bayes估计的精确形式,并证明了Bayes估计的可容许性.