NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,并在适当的条件下获得(EB)估计的速度.     

NA样本下双指数分布位置参数的经验Bayes估计

在平方损失NA样本下获得了双指数分布参数θ的经验Bayes估计,构造了经验Bayes(EB)估计量,证明了渐近最优且收敛速度阶为O(n-(rs-2)/2(s+2)).     

双指数分布位置参数的经验Bayes检验问题:NA样本情形

讨论了双指数分布位置参数的经验Bayes（EB）检验问题,利用同分布NA样本构造了EB检验函数,在适当条件下证明了EB检验函数的渐近最优性并获得了其收敛速度．     

NA样本情形下Gamma分布族参数的经验贝叶斯估计

现有文献中关于EB估计的结果大多是针对相互独立同分布的样本而考虑的,然而在可靠性理论,渗透理论和某些多元统计分析问题中,随机样本常常不是独立同分布的.本文讨论了Gamma分布族在平方损失下参数的贝叶斯估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,在适当条件下证明了EB估计的渐近最优性,并获得了其收敛速度.     

Rayleigh分布参数的经验Bayes检验:NA样本情形

目的研究负相依样本情形下Rayleigh分布参数的经验Bayes检验问题。方法利用概率密度函数核估计方法获得密度函数及其导数的非参数估计。结果获得了经验Bayes检验函数,证明了检验函数的渐近最优性,得到其收敛速度。结论利用单调经验Bayes方法证明该检验函数可以达到最优。     

一类特殊的指数分布族参数的经验Bayes检验:NA样本

在线性损失函数下,对NA样本下一类指数分布族参数θ的经验Bayes单侧检验问题进行了研究.通过构造参数的经验Bayes单侧检验函数,获得了它的渐近最优(a.o)性,在适当条件下得出了所提出的经验Bayes检验函数的收敛速度可以任意接近O(n-1/2).     

NA样本下单边截断型分布族位置参数的经验Bayes估计

该文在充分运用同分布 N A样本密度函数的核估计方法的情况下 ,构造出了一类单边截断型分布族位置参数θ的经验 Bayce(EB)估计 ;由分析可知 ,在适当的条件下 ,证明了位置参数θ的 EB估计的收敛速度 O(n- q) ,其中 q =λα(δ -2 ) /(2α + 4)δ,α >0 ,1>λ >0 ,δ >2。     

NA样本下双边截断型分布族参数的EB估计

目的在NA样本下研究双边截断型分布族参数的经验Bayes(EB)估计。方法对密度函数采用核估计的方法构造了参数的EB估计。结果在加权平方损失函数下,获得了该估计的收敛速度。结论在适当的条件下,NA样本双边截断型分布族参数的EB估计的收敛速度任意接近O(n-1/2)。     

NA样本下Modified Weibull模型参数的经验Bayes检验

在线性损失函数下,讨论了NA样本情形下Modified Weibull分布刻度参数的经验Bayes单侧检验问题。利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,并获得了它的渐近最优性。在适当的条件下证明了所提出的经验Bayes检验函数的收敛速度可任意接近Ο(n-1/2)。     

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．     

当前样本与历史样本相依的线性经验Bayes估计

讨论了当前样本与历史样本m相依样本时单参数总体中参数θ的线性经验贝叶斯估计，得到一致渐近最优速度O(N^-1/2CN^-2)。     

负相伴样本指数分布参数的经验Bayes检验

讨论了负相伴样本情形指数分布中寿命参数θ的经验Bayes单侧检验问题:H0:θ≤θ0 H1:θ>θ0,利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优性,并获得了其收敛速度.     

刻度指数族参数的经验Bayes检验问题

论文在加权“线性损失”下讨论刻度指数族中参数的经验Bayes(EB)检验问题．利用概率密度函数及其导数的核估计方法构造了EB检验函数，并证明它的渐近最优性，获得其收敛速度．最后，给出两个应用．     

正态分布族的参数的线性经验Bayes估计

对于正态分布族{N(μ,σ~2)|-∞<μ<+∞,σ~2>0},本文利用Robbins,Tao Bo 的思想,分别构造了μ,σ~2,θ=(μ,σ~2)′的线性经验 Bayes估计,我们不但在一定条件下讨论了这些估计的 a.o 收敛速度,而且证明了其 a.s 收敛性.     

刻度指数族参数的渐近最优的经验Bayes估计

对刻度指数族在加权平方损失下获得了刻度参数的Bayes估计，并构造了相应的经验Bayes估计，证明了该估计是渐近最优的。     

一类指数分布参数的渐近最优和可容许的经验Bayes估计

在平方损失下,给出了指数族:f(x|β)=T′(x)βexp{-T(x)β}的参数β的渐近最优与可容许的EBi=1log(1 估计,即:nδ(x1,x2,…,xn)=φ(x1,x2,…,xn)(q T(x))n u,其中φ(x,x1,x2,…,xn)=log(1 T(x)q) Sn(x1,x2,…,xn)-v-1,x1,x2,…,xn(历史样本)和x(当前样本)独立同分布于f(x),Sn(x1,x2,…,xn)=n∑T(xi)q),u>0,v>0,q>0(已知)为任意的实数,并给出了证明。     

两两NQD序列下威布尔分布族参数的经验Bayes检验

在“线性损失”下,基于两两NQD样本序列情形研究了威布尔分布族刻度参数经验 Bayes（EB）检验问题,首先利用概率密度函数的核估计,构造了刻度参数的经验 Bayes 检验函数,在适当的条件下,证明了所提出的经验Bayes检验函数的渐近最优（a.o.）性,并获得了它的收敛速度.