混合寿命模型下的贝叶斯密度估计(英)

基于一类异族分布的混合寿命模型, 给出了在一/二组样本下的I/II型截尾试验下的贝叶斯密度估计方法; 给出了实例; 并提出了一些问题和解决方法.     

渗调修复黄瓜陈种子基因组DNA损伤的RAPD研究

用Vc，CaCl2，PEG及其组合对自然老化的黄瓜种子进行渗调处理，利用随机扩增多态性DNA(RAPD)技术对处理前后的种子基因组DNA多态性进行比较分析．结果表明：渗调作用可以修复黄瓜陈种子的DNA损伤．修复效果与种子贮藏时间有关，贮藏半年的种子渗调处理前后RAPD产物差异不明显，贮藏1～2a的陈种子修复的效果好，表现为分子量高的DNA重新合成，RAPD扩增条带增多，亮度增加；贮藏3a的陈种子修复效果不理想。     

基于核糖体DNA大亚基片断序列探讨中国东海海域赤潮原甲藻的分子分类

采用PCR扩增技术对分类上有争议的中国东海赤潮原因种(被称为东海原甲藻．本简称：东海株系)的基因组DNA进行了核糖体DNA大亚基片断(LSU rDNA)的扩增和测序．并与一同扩增的来自美国CCMP的被称为具齿原甲藻(本简称：CCMP株系)的同源序列进行分析比较。结果表明，两710bp的LSUrDNA同源序列中仅存在7个碱基的差异．遗传相似度高达99．01％．遗传差异为0．99％．进一步与Genebank其他3种原甲藻即P．mezicanum、P．mieans和P．minimum的同源序列进行比较，发现其他3种原甲藻两两问的种间遗传相似度在91．1％～95．5％之间．而P.micans和P．minimum种内不同株系的遗传相似度为99．4％～99．9％．均为99％以上．综合这些数据说明东海株系与CCMP株系之间的0．99％的遗传差异应视为种内差异．原甲藻的东海株系与CCMP株系当属异名同种．因此本试验结果从分子水平支持了被称为东海原甲藻的原甲藻与被称为具齿原甲藻(P．deantatum)的原甲藻同为一种的观点。     

布朗单样本轨道的重分形分析

主要研究布朗单W＝{W（s1,s2)s1，s2≥0}样本轨道的重分形分析问题．在布朗单一致连续模的基础上讨论“α—快点集”的重分形分析性质，得到了两类不同增量形式的“α—快点集”的Hausdorff维数．     

二维磁性纳米结构材料的Monte Carlo模拟

运用Monte Carlo模拟方法，通过分折系统自旋序参数与温度的变化关系了解纳米结构材料磁性的特征．计算模拟结果表明，磁性纳米材料具有比同等大小和平均密度的单晶低的居里温度，且在相变过程中往往会出现一些亚稳态．研究结果提供了一种解析金属纳米结构材料特性的重要方法．     

RAPD鉴定远缘杂交牧草蔗新品系94-42

应用RAPD技术对远缘杂交牧草蔗新品系94—42，父本PT43—52及母本甘蔗栽培良种C0419进行分子鉴定．67个引物共扩增出284条带，其中l16条为多态性带，占40．85％．计算相似性系数，并对3个品种进行亲缘关系的分析，结果分别为：新品系和母本：0．9138；新品系和父本：0．8009；父本和母本：0．7658．RAPD结果证明，牧草蔗94—42基因组出现多态性，具有父、母本特异DNA带，是两者远缘杂交的后代．提示RAPD技术是一种适合远缘杂交物种分子鉴定的有效方法．     

安徽羽叶报春RAPD分析实验条件优化的研究

采用CTAB法^[1]从珍稀濒危植物安徽羽叶报春(Primula merrilliana)的幼叶中提取DNA，进行随机扩增多态DNA(RAPD)实验，通过Mg^2 、dNTP、Taq酶、模板浓度的优化，确立了RAPD反应的最佳体系(25μ1)范围为：Mg^2 浓度为2．0—2．5mmol／L，模板浓度为每个反应50—150ng，dNTP浓度为200—250μmol／L，Taq酶为1.5—2.0U，按照优化的RAPD条件进行的重复实验，重现性良好。     

省级工业多目标抽样最佳样本数目分析法初探

通过对我国工业统计抽样调查实际工作中的有关方法制度的分析研究，阐明了关于我国省级工业抽样调查中的样本框的构造和分解方法；对于各分解后的样本进行特征值分析和相关分析，提出了多目标(指标)抽样调查的样本数目确定的综合排序分析方法。     

无偏估计量调整因子的求解

无偏性是衡量统计量优良性的常用标准之一。经济数学教材中，已经证明了正态分布的样本方差是总体方差的无偏估计量，但样本标准差并非是总体标准差的无偏估计量，本文利用Г(z)函数和Ⅹ^2(卡方)分布给出了其调整因子的详细求解过程。另外，对于总体为指数分布、均匀分布的情形，也给出了结果，并用克拉美—劳不等式给予进一步的讨论。     

煤与瓦斯突出的神经网络预测分析

煤与瓦斯突出是一个复杂的过程 ,做好预测预报工作显得尤为重要。本文通过建立煤与瓦斯突出的人工神经网络预测模型、原始样本的学习 ,可预测待报样本的突出情况 ,并进行了实例分析。经过检验 ,该预测模型的预测精度较高。图 1 ,表 2 ,参 3。