Mlinex损失函数下一类分布族参数的Bayes估计

考虑分布函数形如F(x;θ)=1-[g(x)]~θ或[1—g(x)]~θ,A≤x≤B,θ0的分布族,其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0.在Mlinex损失函数下,给出了其中参数θ的Bayes估计及其容许性,并对分布的一个充分统计量的逆线性形式的容许性进行讨论.最后通过蒙特卡洛模拟说明Bayes估计在小样本情形时的优良表现.     

构造具有多项式方差函数的自然指数族

一、PVF-REF 的重要性本文内容属于规范指数族的结构理论。定义在样本空间(Y,B_y)上的分布族 P_θ(y),若对某σ-有限测度μ有密度函数dP_θ(y)=exp[(?)(θ)T(y)—(?)(θ)]dμ(y),则称 P_θ(y)为指数族分布,这是统计学中最重要的一类分布。我们对各指数族实行规范化:首先取(?)(θ)=(θ_1,…,θ_r)∈R_r;其次考虑 X=T(y)的分布 F_θ(x),它仍是指数族,对某σ-有限测度 v 具有密度形为 exp[θ'x-(?)(θ)];不失一般性可取 v 为 r 维分布函数 F(x),且使自然参数空间(?)R_r,具有非空内点集,这就成为具有最小维数的自然指数族。记 M={m:m=E_θx,E_θx 存在且有限,θ∈(?)}。众所周知,这种 m(θ)的定义域包含了(?)。最后,我们取 m 作为新参数代替θ,则上述自然指数族成为规范指数族(REF):     

一类分布族的损失函数和风险函数的Bayes推断

本文考虑如下一类分布族:F(t)=[g(t)]θ,-∞A0(1)其中g(t)是关于t单调递增的可微函数,且g(A)=0,g(B)=1.在共轭先验分布下研究了未知参数η=1θ的损失函数和风险函数的B ayes估计及其保守性质,并给出相应的B ayes估计的合理性.     

转移向量的Minimax估计

<正> 设随机变量 X 的分布 F(x)为已知,则对任何实数θ,X_θ=X+θ的分布将为F(x—θ).以这种方式依赖着一参数θ的分布族称为转移分布族,而θ称为转移参数.设 x_1,…,x_n 为从总体 F(x—θ)中取出的独立样本,要求从它去估計θ.这一问题吸引了不少学者的注意,较早期的工作中,应当提到 Pitman 在1939年的文章[1].在这一工作中,Pitman 在 F(x)有密度的条件下,找到了具转移性质(正式定义见下文)的方     

多参数指数族的逆Bhattacharyyà信息阵并应用于正态分布

本文进一步讨论多参数指数族中给定可估函数的 UMVUE 的方差计算问题.设定义于(X,B_X)上的 r.v.X 的分布为 P_θ,θ∈Θ.P_θ受某σ-有限测度μ(x)所控,称{P_θ,θ∈Θ)为自然指数族,是指     

关于截断型分布族中估计的经验过程的渐近分布的进一步研究

但是,若分布 F 中含有未知参数θ,即 F=F(x;θ),那么为计算经验过程,就必须对θ进行适当的估计,把估计(?)_n 代入(2),(1)中,便得到一估计的经验过程(?)_n(t)。那么,这一估计的经验过程的渐近分布如何?Durbin 研究了这一问题。对一般的分布族 F(x;θ),θ∈(?),在一定的假设条件下(主要是所谓条件 A_2),他证明了这一估计的经验过程(?)(t)其渐近过程是一较复杂的正态过程,这个正态过程一般是依赖于 F 的,甚至依赖于未知参数θ的。但该文指出,当θ是位置、刻度参数时,渐近过程可与θ无关。尔后,Durbin,Schneider 等又具体地研究了指数分布族、Gamma 分布族,得到具体结果,     

平方损失下的可容许估计

设(x)为样本空间,P_θ为其上的分布族,θ∈Θ为参数.欲估计g(θ),损失函数为L(g(θ),d).称R(g(θ),d(X))=EL(g(θ),d(X))为估计d(X)的风险函数.称d_0(X)是g(θ)的可容许估计,如果不存在其它估计d_1(X),使得R(g(θ),d_1(X))≤R(g(θ),d_0(X)),对一切θ∈Θ,且不等号至少对某θ_0∈Θ成立.设在参数空间Θ上建立了σ~-域θ,ξ为(Θ,θ)上σ~-有限测度.称g(θ)的估计δ_0(X)关于ξ是几乎可容     

序轴法--复合函数单调区间的一种简捷求法

复合函数是高中数学中的一类重要函数 ,讨论复合函数的单调性 ,求出其单调区间是复合函数问题中的一类重要问题 .本文介绍一种求复合函数单调区间的简捷方法 ,供大家参考 .本文介绍的复合函数单调区间求法的理论依据是下面的定理 (判定定理 )　若 y =F1(x) ,u1=F2 (x) ,… ,un=Fn 1(x)都是单调函数 ,则 n次复合函数 y =F1{ F2 [… Fn 1(x) ]}在其定义域内也是单调函数 ,且它为增函数的充要条件是 y =F1(x) ,u1=F2 (x) ,… ,un =Fn 1(x)中减函数的个数为偶数 ;它为减函数的充要条件是y =F1(x) ,u1=F2 (x) ,… ,un=Fn 1(x)中减函数的个数…     

��ʱ��β������������Weibull�ֲ������ع��Ƶ�ǿ�����

本文讨论了定时截尾样本下三参数Weibull分布修正矩估计(MME)的强相合性.首先证明了修正样本矩的强相合性.然后给出了条件(L),得出结论:若所研究的分布F(x;θ1,θ2,θ3)满足条件(L),修正矩估计θ1,θ2,θ3强相合于参数真值.最后证明了当形状参数δ≥1,即失效率增加时,三参数威布尔分布Wei(x;β,δ,γ)满足条件(L),即MME是强相合的.     

一种对称损失函数下一类指数分布族刻度参数的估计

在p,q对称熵损失函数L(θ,δ)=θp/δp+δq/θq-2(p,q0)下,研究了一类指数分布族c(x,n)θ-ve-T(x)/θ的刻度参数θ的Bayes估计与可容许估计,并应用积分变换定理证明了这两个估计具有不变性.     

数据非随机缺失时单变量的分布函数估计

本文研究数据非随机缺失下的分布函数估计问题.在确定缺失数据是否属于某些指定区间的前提下,对一维随机变量y的分布函数F(y)作出了估计.此时,假定数据缺失机制形式已知,但包含某未知多维参数θ.本文证明了未知参数θ的估计量(θ)的相合性和渐近正态性,也证明了分布函数F(y)的估计量F(y)的相合性和渐近正态性.     

平均值函数的性质及应用

设函数 f (x)在 (-∞ , ∞ )上连续 ,当 x≠ 0时 ,我们称 F(x) =1x∫x0 f (t) dt为 f (x)在 [0 ,x]上的平均值函数 ,本文将介绍平均值函数 F(x)的若干性质并举例说明其应用 .一、F(x)的性质性质 1　 f(x)是 [0 ,x](或 [x,0 ])上的有界函数 ,F(x)也是 [0 ,x]或 [x,0 ]上的有界函数 .性质 2　若 f (x)为奇 (偶 )函数 ,则 F(x)也为奇 (偶 )函数 .性质 3　若 f(x)是周期为 T(T>0 )的周期函数 ,则limx→ ∞1x∫x0f (t) dt=1T∫T0f (t) dt (1 )　　　性质 4　若 f(x)为单调递增 (减 )函数 ,则 F(x)也为单调递增 (减 )函数 .性质 5　若对任意…     

单参数指数型分布族中的可容许估计

§1 引言1958年,Karlin 在平方损失下,对于单参数指数型分布族 p(x,θ)-β(θ)·e~,得到了ax 是 E_θx=-β′(θ)/β(θ)的可容许估计的充分条件,即众所周知的 Karlin 定理.并且[1]对于两种类型的截断型分布族 p(x,θ)=q(θ)·r(x),b>x>θ和 p(x,θ)=q(θ)·r(x),a<α<θ,证明了(2a+1)/(a+1)·q~(-a)(x)是 q~(-a)(θ)(0<α<∞,已知)的可容许估计.1961年,Katz 对单参数指数型分布族,讨论了限制参数空间的可容许估计问题.1964年,成平应用 Cramr-Rao 不等式,把 Karlin 定理推广到更为一般的情况.1977年,Ghosh 和 Meeden 及1981年,     

单调函数及其应用

设 f为定义在D上的函数 ,若对于D中任意两个数x1,x2 ,当x1f(x2 )时 ,称 f为D上严格递减函数 .递增函数和递减函数统称为单调函数 ,函数的单调性是函数的重要性质之一 ,利用函数的单调性 ,可以比较函数值的大小 ,证明一些不等式以及解决某些方程问题和函数极值问题 .例 1　证明 |x1+x2 +… +xn|1+|x1+x2 +… +xn|≤ |x1|1+|x1|+|x2 …     

二维单边截断型分布族中EB估计及其收敛速度

本文讨论了二维单边截断型分布族(I)中参数函数EB估计及其收敛速度。(I) f_0(x,y)dxdy=c(θ_1,θ_2)f_0(x,y)I_([α,θ_1;c,θ_2])(x,y)dxdy在适当的条件下,满足恰当条件参数函数Q(θ_1,θ_2)的EB估计的收敛速度可任意接近于 1。     

对于双未知参数均匀分布的序贯 minimax 估计

统计判决理论的一个重要问题,是对一个给定的分布族,当观测是独立同分布的,作n 次观测的费用为 cn(c>0)时,求其参数的序贯 minimax 估计.关于这一问题,Wald对损失函数 W(θ,d)=(θ-d)~2,得到了从 θ-1/2到 θ+1/2(-∞<θ<∞)上的均匀分布中均值θ的估计.Blyth将 Wald 的结果作了推广和改进.Kiefer 关于损失函数 W(θ,d)=[(θ-d)/θ]~2,解决了从0到 θ(0<θ<∞)上的均匀分布中参数θ的估计问题.本文所要讨论的是含有两个未知参数的均匀分布,其密度为     

指数族的一致最小方差无偏估计与Bhattacharyyà下界

具有共同支撑的单参数分布族{pθ,θ∈},R,若它满足一定的正则条件,Cramér-Rao给出了可估函数g(θ)的所有无偏估计的方差的下界函数,即著名的C-R不等式。Fend和Wijsman指出:在这些正则条件下,g(θ)的无偏估计T(x)处处达到C-R下界的充要条件,是{pθ,θ∈}为指数族,对某σ-有限测度μ(x)的密度形为     

双边截断型分布族参数函数的渐近最优经验Bayes估计

本文考虑一维双边截断型分布族参数函数在平方损失下的经验 Bayes估计问题 .给定θ,X的条件分布为f (x|θ) =ω(θ1,θ2 ) h(x) I[θ1,θ2 ] (x) dx其中θ =(θ1,θ2 )T(x) =(t1(x) ,t2 (x) ) =(min(x1,… ,xm) ,max(x1,… ,xm) )是充分统计量 ,其边缘密度为 f (t) ,本文通过 f (t)的核估计构造出θ的函数的经验 Bayes估计 ,并证明在一定的条件下是渐近最优的 (a.0 .)     

一个山路引理的应用

本文主要考虑如下形式的Dirichlet问题-△u(x)=f(x,u),x∈Ω,∈H01(Ω),其中f(x,t)∈C(Ω×R),f(x,t)/t关于t单调不减,并且当t∈R时关于x∈Ω一致趋向于某个L∞函数q(x)(此时,称f(x,t)关于t在无穷远处是渐近线性的).显然,在该条件下常用的Ambrosetti-Rabinowitz型条件,即关于所有的|s|>M和x∈Ω,0<θF(x,s)2,M>0为常数, F(x,s)=∫0s f(x,t)dt. 众所周知,条件(AR)在山路引理的应用中起着非常重要的作用.本文通过应用一种改进了的山路引理在没有条件(AR)的情况下来证明上面Dirichlet问题(P)也有正解存在。此方法也适用于f(x,t)关于t在无穷远处是超线性,即q(x)≡+∞的情形.     

常微分方程组的整体解及两点边值问题——Ⅰ.整体解方法

众所周知,n维向量函数u(x)的一阶常微分方程组,如在某点上只给出n_1相似文献