Weibull分布步进应力加速寿命试验的Bayes估计

本文研究了定时和定数截尾情形CE模型下Weibull分布场合步进应力加速寿命试验的Bayes估计.利用加速系数和加速方程将各种加速应力水平下的尺度参数换算为正常应力水平下的尺度参数,从而获得含正常应力下尺度参数的似然函数.在参数先验的选取时,尺度参数和加速系数分别取共轭先验和无信息先验,当形状参数m<1和m>1时分别取Beta分布和Gamma分布作为其先验.在平方损失下,利用Gibbs抽样和切片抽样给出了该模型参数的Bayes估计.最后,通过Monte Carlo模拟表明该Bayes估计是有效的.     

散度偏大计数数据回归模型的变量选择与模型比较

讨论了具有散度偏大特征计数数据的建模与拟合问题.针对导致数据散度偏大的原因和常用的几类候选模型的结构,分别给出了关于嵌套模型的模型与变量同时选择的Bayes方法和关于非嵌套模型的模型检验与比较方法,并在此基础上进一步完善,提出了较为系统完整的模型与变量选择方法.实际例子说明了方法的具体实现过程和有效性.     

Copula理论在复合期权定价中的应用

本文使用风险中性评价方法分三部分计算了复合期权的价值,针对需要计算联合分布的第二部分,通过选取边缘分布为GARCH模型的二元正态Copula模型进行推理验证,结果求得的联合分布与使用风险中性评价方法的计算结果一致.进一步计算得到了时间相依的复合期权的价值,并且给出了使用Bayes时序诊断法和Z检验来诊断期权定价时其出现价格大的波动时的局部拐点的方法.     

对称熵损失下成功概率p的E-Bayes估计

研究对称熵损失下成功概率p的Bayes估计和E-Bayes估计,证明了前者的存在性及唯一性.模拟结果表明E-Bayes估计优于极大似然估计和Bayes估计.并将E-Bayes方法应用在证券投资预测之中,预测效果较好.     

矿难的贝叶斯分析——基于变点与事件分析结合的方法

本文利用贝叶斯方法与事件分析结合,建立了矿山死亡事故变点预测模型,并且文中将采用了变点与重大事件相关分析的方法,探究了矿难变化的规律,分析了事故发生原因,通过对每次矿难发生数的拐点处的事件分析,发现价格、产量、产权等的变化飙升固然会驱动矿难事故上升,但是通过加大媒体监督透明度与深度,加大官员问责力度,强化法律监督,设计合理的管理机制并严格执行可以有效地减少矿难的发生有效途径,文章采用我国安全生产局数据,利用蒙特卡洛马尔科夫方法进行了验证,同时也证明了该方法的预测突发事件的有效性.本文利用博弈思想对矿难的发生进行了经济学分析。     

基于屏蔽数据的部件可靠性指标的贝叶斯估计

基于屏蔽数据,在单元的屏蔽与失效不独立的情形下,研究系统中Burr XII部件可靠性指标的估计问题。在三种不同的损失函数下,推算出部件寿命参数及可靠性指标的贝叶斯估计。最后利用随机模拟对两种估计方法进行比较分析,并讨论屏蔽概率和屏蔽水平对估计结果的影响。     

K/n(G)系统可靠性评定的多源验前信息融合方法

在多源验前信息的情况下,以k/n(G)系统为例,讨论了如何对系统的可靠性指标进行估计的问题.在多个验前信息源给出了系统可靠性指标点估计的情况下,利用多层Bayes方法及经验Bayes方法对这些数据进行融合,并给出系统可靠性指标的Bayes点估计,同时对系统可靠度的置信区间也作了讨论.仿真算例表明这种处理方法是合理有效的.     

基于IBIS5-A-1300 CMOS图像传感器的噪音抑制技术研究

为了提高图像质量,在分析APS CMOS图像传感器工作时序的基础上,对标准时序做了改进,并对改进后的时序进行了实验仿真.结果表明,改进后的时序可有效消除固定模式噪音,达到改进图像质量的目的.     

两阶段免费增值商业模式中的定价优化与时序研究

免费增值商业模式在信息产品和服务当中被广泛采用。针对企业首先推出免费产品再推出付费产品以充分利用两种产品推出的时间差来提升消费者学习效应、降低消费者使用成本的情形,本文首先建立两阶段模型,求解给定系统参数情况下的付费版产品最优定价问题并给出解析解,然后通过与企业应用单阶段免费增值模式时的利润进行比较,解析地得到企业选择两阶段模式可获得较高利润的条件,最后在数值计算基础上讨论了学习效应强度对企业利润的影响,和优化学习效应强度以拓展两阶段模式适用范围的问题。本文的研究成果为拟采用免费增值商业模式的企业提供了关于产品最优定价和模式选择的决策支持。     

随机效应模型中方差分量的经验Bayes检验问题

给出了双向分类随机效应模型中方差分量的Bayes检验的判决函数,利用核估计的方法,构造了相应的经验Bayes(EB)检验的判决函数．在适当的条件下证明了EB判决函数是渐近最优的且有收敛速度．给出了模型的特例和推广．最后,举出一个满足定理条件的例子．