熵损失下失效率的E-Bayes估计及其性质

失效率的多层Bayes估计需要用到复杂的积分,计算比较困难.本文提出了一种新的估计方法——E-Bayes估计法.它是在Bayes估计的基础上,先给出超参数的先验分布,进而对失效率进行估计.文章分别给出了在特定超参数先验分布的条件下,失效率的E-Bayes估计和多层Bayes估计的计算公式.结果表明,失效率的E-Bayes估计避免了多层Bayes估计复杂的积分计算,形式上更加简洁,便于计算.并通过实例证明,对于同一组实验数据,失效率的E-Bayes估计和多层Bayes估计的数值计算结果十分接近.这说明,失效率的E-Bayes估计不仅具有多层Bayes估计的稳健性,而且具有多层Bayes估计的精确性,从而表明本文提出的失效率的E-Bayes估计法是可行的,且相比于失效率的多层Bayes估计更加简洁,更便于应用.     

熵损失函数下指数分布参数的估计

文章在指数分布参数的先验分布为其共轭先验分布Gamma分布Γ(a,b)时,给出了其在熵损失函数下的E-Bayes估计和多层Bayes估计。     

刻度平方误差损失下产品可靠度的E-Bayes估计

在刻度平方误差损失下,对Pascal分布,本文给出了可靠度θ的E-Bayes估计和多层Bayes估计及它们之间的关系,最后给出了模拟算例。     

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.     

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.     

熵损失下的Pasreto分布参数的Bayes估计

讨论了在熵损失下Pareto分布的参数的Bayes估计及多层Bayes估计,给出了参数的置信下限和容许性估计的一般形式,最后证明了极大似然估计是不容许的.     

对称损失下二项分布参数的Bayes估计问题

在对称损失函数下,利用共轭先验分布讨论二项分布参数P的Bayes估计、多层Bayes估计及E-Bayes估计,并证明该参数的Bayes估计是可容许的.最后给出关于Bayes估计、多层Bayes估计及E-Bayes估计的数值模拟,并比较了三者之间的优良性.     

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.     

无失效数据失效率的综合E-Bayes估计

对指数分布场合无失效数据的失效率进行估计.在先验分布为Gamma分布时,通过两种方式引进失效信息并在这两种方式下给出了失效率的综合E-Bayes估计,然后得出了产品可靠度的综合估计.     

复合LINEX对称损失下Poisson分布参数的Bayes估计和E-Bayes估计

在复合LINEX对称损失函数下,给出Poisson分布参数λ的Bayes估计及E-Bayes估计,并通过数值模拟验证Bayes估计及E-Bayes估计的合理性及优越性.     

熵损失函数下巴斯卡分布参数的Bayes估计

研究在熵损失函数下 ,巴斯卡分布可靠度的 Bayes估计及其可容许性 ,并且给出 Bayes置信下限以及多层 Bayes估计的表达式     

Mlinex损失函数下指数分布的尺度参数的Bayes估计

在Mlinex损失函数下,求出了指数分布的尺度参数的唯一Bayes估计量,并对Bayes估计δB的容许性和形如d[c+T(x)]的估计量的容许性进行讨论。其主要结果是:在Mlinex损失函数下,指数分布的尺度参数的唯一Bayes估计是 * ,而且可容许的;形如 * 时是可容许的。(注：*处为公式)
     

熵损失函数下几何分布参数的Bayes估计

本文在熵损失下，给出了对于任何先验分布的几何分布参数θ的Bayes估计，同时由参数θ的充分统计量Σni=1Xi，给出了熵损失函数下，不同先验分布时几何分布参数θ的Bayes估计，并且证明了在熵损失函数下，对任一先验分布，几何分布的参数θ的Bayes估计δB（X）是可容许估计．     

q对称熵损失函数下指数分布的参数估计

提出对称熵损失函数的一般形式(λ/δ)^q+(δ/λ)^q-2(q>0) , 即q对称熵损失. 讨论指数分布的尺度参数在此损失函数下的最小风险同变估计、 Bayes 估计和最小最大估计, 给出了更具一般性的结论, 并研究了(cT+d)^-1形式 估计的可容许性和不可容许性.     

熵损失函数下幂函数分布和瑞利分布参数的Bayes估计

【目的】研究熵损失函数下幂函数分布和瑞利分布参数的Bayes估计并对它的可容许性进行验证。【方法】以幂函数分布及瑞利分布为基础,以熵损失函数为主要的损失函数通过参数估计的方法和性质进行证明和研究。【结果】证明得到任意分布在熵损失函数下参数的Bayes估计、先验分布为伽马分布熵损失函数下两个分布参数的Bayes估计,得到参数可容许性。【结论】得到参数的Bayes估计,同时得到两个分布的参数在熵损失函数下的Bayes估计是可容许的。     

基于填充函数方法的OD矩阵估计

对现有关于求解OD矩阵估计的最小二乘模型所采用的逐次迭代算法的不足进行了分析,并引进了一种全局最优化算法即填充函数方法来找寻该模型的全局最优解。数值试验表明:所提出的填充函数算法有能力找到问题的全局最优解,且与初始值的选取无关,也有潜力解决较复杂网络的OD矩阵估计。通过数值结果发现,模型的权值选取对数值结果有明显影响。为此,引进了一种确定权值的评价指标RMSE,它能反映估计量与真实值之间的接近程度。利用该指标,可以选取较合适的权值。
     

熵损失函数下Burr分布参数的Bayes估计

讨论了在熵损失函数下Burr分布的参数在不同先验分布下的Bayes估计,并且讨论了其多层Bayes估计,给出了容许性估计的一般形式.     

对称熵损失函数下一类分布族参数的Bayes估计

在对称熵损失函数下,研究一类分布族参数的Bayes估计问题,并讨论了一类逆线性形式估计的可容许性和不可容许性。     

无失效数据的失效概率的E-Bayes估计

提出了参数的一种新估计方法--E-Bayes估计法.在无失效数据情形下,给出了失效概率的E-Bayes估计的定义,在此基础上给出了失效概率的E-Bayes估计.