指数型产品的Bayes可靠性鉴定试验

利用可靠性增长模型确定正样产品失效率的先验分布.综合考虑由弃真和存伪风险所造成的试验损失和其他试验费用,建立可靠性鉴定试验的损失评估模型.分别用两种风险准则约束两类决策风险.根据Bayes决策理论,得到失效数和总试验时间的关系,确定使得试验损失函数值最小的鉴定方案.最后通过算例体现方法的有效性,与经典方法和其他Bayes鉴定方法相比较有其优越性.     

无失效数据失效率的综合多层Bayes估计

文章对指数分布无失效数据的失效率,在先验分布为Ｇａｍｍａ分布时,在引进失效信息后,给出了多层Ｂａｙｅｓ估计以及综合多层Ｂａｙｅｓ估计,并给出了可靠度的综合估计。最后,结合实际问题进行了计算     

失效率的E-Bayes估计和多层Bayes估计

提出了一种可靠性参数的估计方法—E-Bayes估计法,对寿命服从指数分布的产品,在无失效数据情形,给出了失效率的E-Bayes估计的定义、E-Bayes估计和多层Bayes估计,并在此基础上给出了E-Bayes估计的性质.最后,结合发动机的实际问题进行了计算,结果表明E-Bayes估计法可行且便于应用.     

无失效数据情形失效率的综合估计

对指数分布的无失效数据，提出了无失效数据情形失效率的综合估计法。在失效率的先验分布为截尾Gamma分布时，给出了失效率的多层Bayes估计。在引进失效信息后，在失效率的先验分布为截尾Gamma分布时，给出了失效率的多层Bayes估计和综合估计，并给出了可靠度的综合估计，结合实际问题进行了计算。     

无失效数据失效率的估计

对指数分布无失效数据（ｔｉ,ｎｉ）的失效率λ,在λ的先验密度的核为ｅｘｐ（－λ）时,给出了λ的Ｂａｙｅｓ估计和多层Ｂａｙｅｓ估计,从而可以得到可靠度的估计,最后,给合实际问题进行了计算。     

指数分布定数截尾情形失效率函数的经验Bayes检验问题

本文讨论指数分布定数截尾情形下失效率函数的经验Bayes(EB)检验问题。利用核估计方法构造了EB检验函数并获得了它的收敛速度。最后给出一个满足定理条件的例子。     

指数分布下Bayes鉴定试验方案

在确保使用方利益的前提下，从最大后验风险的角度运用贝叶斯方法制定了可靠性鉴定试验方案。按照此鉴定试验方案，缩短了试验时间，从而降低了鉴定试验所需的费用。     

无失效数据的经典和Bayes估计

本文对指数分布无失效数据的失效率，给出了经典置信上限，Bayes置信上限和Bayes估计以及多层Bayes估计，并给出了数值例，还对一些结果进行了比较。     

参数的E Bayes估计法及其应用

提出了参数的一种估计方法—— E Bayes估计法 ,对寿命服从指数分布的产品 ,在失效率的先验分布为 Gamma分布时 ,给出了失效率的 E Bayes估计和多层 Bayes估计 ,并在此基础上给出了失效率和可靠度的 E Bayes估计的性质 .结合实际问题进行了计算 ,结果表明提出的 E Bayes估计法可行且便于应用 .     

无失效数据的Bayes和多层Bayes分析

本文推广了文献[6]的结果，对指数分布无失效数据的失效率，给出了Bayes估计、Bayes置信上限以及多层Bayes估计，从而可以得到无失效数据可靠度的估计，最后，结合实际问题进行了计算。     

基于指数分布寿命特征检验的Bayesian停止判别法则

对于指数分布特征寿命参数的单边假设检验问题,在先验分布为逆Г分布的假设下,给出了相应寿命试验的Bayesian停止判决法则,其中损失函数包括试验费用和误判损失两部分.     

CE模型下指数分布步加试验的贝叶斯估计

本文利用Gibbs抽样法得到了CE模型下指数分布场合步进应力加速寿命试验的多层Bayes参数估计,最后通过模拟比较表明多层Bayes估计比最大似然估计更加有效而实用。     

指数分布场合异常数据的检验

本文讨论了指数分布场合异常数据的检验,当数据中同时含有异常大、异常小的数据时给出了检验方法,导出了检验统计量及其近似分布,用一个例子说明了所给方法。     

Testing for Varying Dispersion in Exponential Family Nonlinear Models

A diagnostic model and several new diagnostic statistics are proposed for testing for varying dispersion in exponential family nonlinear models. A score statistic and an adjusted score statistic based on Cox and Reid (1987, J. Roy. Statist. Soc. Ser. B, 55, 467-471) are derived in normal, inverse Gaussian, and gamma nonlinear models. An adjusted likelihood ratio statistic is also given for normal and inverse Gaussian nonlinear models. The results of simulation studies are presented, which show that the adjusted tests keep their sizes better and are more powerful than the ordinary tests.     

对数正态分布场合无失效的BAYES验证试验方案

设产品的寿命服从对数正态分布ＬＮ（μ,σ＾２）,其中μ,σ分别是位置参数和尺度参数,本文运用了Ｂａｙｅｓ方法,分别给出了在μ未知,σ＾２已知;μ,σ＾２均未知两种情况下的无失效可靠性验证试验方案,对每一种情况都给出了一个具体的例子。     

指数型寿命数据中异常值的检验

本文讨论了在指数型寿命数据中,对同时存在的异常大数据和异常小数据的检验方法,给出了一个明确的判别标准,并以一例说明其应用。     

Bayesian Model Selection for Exponential Random Graph Models via Adjusted Pseudolikelihoods

Models with intractable likelihood functions arise in areas including network analysis and spatial statistics, especially those involving Gibbs random fields. Posterior parameter estimation in these settings is termed a doubly intractable problem because both the likelihood function and the posterior distribution are intractable. The comparison of Bayesian models is often based on the statistical evidence, the integral of the un-normalized posterior distribution over the model parameters which is rarely available in closed form. For doubly intractable models, estimating the evidence adds another layer of difficulty. Consequently, the selection of the model that best describes an observed network among a collection of exponential random graph models for network analysis is a daunting task. Pseudolikelihoods offer a tractable approximation to the likelihood but should be treated with caution because they can lead to an unreasonable inference. This article specifies a method to adjust pseudolikelihoods to obtain a reasonable, yet tractable, approximation to the likelihood. This allows implementation of widely used computational methods for evidence estimation and pursuit of Bayesian model selection of exponential random graph models for the analysis of social networks. Empirical comparisons to existing methods show that our procedure yields similar evidence estimates, but at a lower computational cost. Supplementary material for this article is available online.     

双参数指数分布环境因子的Bayes估计

讨论了定数截尾样本下双参数指数分布环境因子的极大似然估计、区间估计和Bayes估计.以参数后验密度的商密度作为环境因子的后验密度,并结合专家经验运用Bayes方法给出了环境因子在平方损失下和LINEX损失下的Bayes估计.最后运用Monte Carlo方法对各估计结果的均方误差(MSE),进行了模拟比较.结果表明LINEX损失下环境因子的估计较好.