区间数据的均值估计

本文在运用无偏转换思想找到区间数据均值估计的基础上,对所找到的估计量的方差进行了研究.针对区间截断情况1和区间截断情况2,找到了估计量方差有限的条件.当截断随机变量的分布在某种程度上比被截断随机变量的分布尾部更厚时,方差有限的估计量可以取到.     

英汉数理统计小辞典

distribution分布distribution function分布函数 对任意值x,给出随机变量X小于或等于x的概率的函数:F(x)=P(X≤x).probability density function概率密度函数 连续随机变量分布函数的微商(如果它存在); f(x)= F’(x)。uniform distribution均匀分布 连续随机变量的一种概率分布。其概率密度函数在某个有限区间上等于一个常数,而在该区间以外等于零。normal distribution正态分布 连续随机变量X的分布。其概率密度函数为共中p和a分别为正态分布的期望和标准差。standardized normal distribution #准正态分在 标准化正态随机变量的概率分…     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量Y干扰.只有当X≥Y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g（x）,n~（1/2）∫g（x）[dFn（x）-dF（x）]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量y干扰.只有当X≥y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g(x),√n∫f9(x)[dFn(x)-dF(x)]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

截断情况下独立随机变量样本均值和方差的近似分布

设X1，X2……Xn为非负随机变量，相互独立具有共同的分布函数F(t)，Y1，Y2……Yn是相应的干扰随机变量，非负，相互独立具有共同的分布G(t)，并且Xi与Yi也相互独立，文章在仅能观察到Zi=min(Xi，Yi)．δi=I(Xi≤Yi)，i=1，2……，n和假设G已知的情况下．分别定义了F的均值和方差的估计量，并求出了估计量的近似分布．     

概率与统计（续）

概率与统计（续）袁启杰（湖北郧阳师专数学系４４１９００）五、随机变量及其分布１．随机变量观察一个随机现象，其样本点可以是数量性质的，如某电话机在时间区间（０，Ｔ）内收到的呼叫次数可以是０次，１次，……，也可以是非数量性质，如某次射击的结果可以是“中靶...     

数据缺失机制不明确时的分布函数估计

研究了在数据缺失机制不明确时如何估计随机变量Y的分布函数FY(y),该问题不同于可以用参数模型刻画数据缺失机制时的情形,考虑到此时可能出现不可识别现象,获取一些辅助信息是必要的.借助一个可以完全观察到的随机变量X提供必须的辅助信息,构造了随机变量Y的分布函数Fy(y)的估计量,并研究了它的大样本性质.     

浅谈离散型随机变量的数学期望

当X为离散型随机变量时,如果X的取值是有限个,要求X的数学期量E(X),只要知道X的分布律就行了,但是在一些情况下,要求出X的分布律是非常困难和非常复杂的.有些时候,分布律求出来后,可按定义算出X的数学期望:E(X)一∑xipi.然而有时这个和比较难求.在以上两种情况下,我们可以利用数学期望的性质:E(X1+…+Xn)=E(X1)+…十E(Xn)把X分解为几个随机变量的和,而这几个随机变量的数学期望很容易求.一般当X表示的是与计数有关的随机变量时,大部分情形我们可以把它分解,并且是分解成0一1分布或两点分布的随机变量的和.下面通过几个例子来说明这种方法的应用.     

关于t（n）、F（m，n）分布数字特征的计算

在统计推断中，需用统计量来估计未知参数θ或g(θ)的数值，如要进一步分析一个估计量的好坏，就需知道估计量的分布，或至少要知道统计量的某些数字特征．众所周知，t统计量、F统计量在参数的点估计、区间估计、假设检验中起着重要的作用．文献[1]中介绍了几种重要分布：     

删失数据下回归函数的最近邻估计

设（X，Y）是一随机向量且变量Y的均值存在．假定Y被另一分布G的随机变量t删失，仅能观察到不完全数据（xi，Yi^ti,δi），i＝1，2，…n，其中Yi^ti＝min（Yi，Ti）,δi=I（Yi≤ti）。为了给出回归函数m（x）＝E（Y|X）的估计。文中使用了Stute提出的最近邻型回归估计，并给出了该估计的强相合性结果．