共查询到10条相似文献,搜索用时 171 毫秒
1.
2.
《数理统计与管理》1984,(4)
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… 相似文献
3.
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. 相似文献
4.
何书元 《数学年刊A辑(中文版)》2002,(3)
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. 相似文献
5.
丁邦俊 《高校应用数学学报(A辑)》1998,13(2):159-166
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. 相似文献
6.
7.
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. 相似文献
8.
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. 相似文献
9.
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: 相似文献
10.
1 问题的提出
参数的区间估计就是根据估计量的分布,在一定的可靠度下,指出被估计的总体参数所在的可能数值范围.其具体做法是:对于来自总体的样本(X1,X2,…,Xn),找两个统计量^θ(X1,X2,…,Xn)和^θ2(X1,X2,…,Xn),使 P(^θ1〈θ〈^θ2)=1-α 区间(^θ1,^θ2)称为θ的置信区间,^θ2和^θ1分别称为置信区间的上、下限.1-α称为置信系数,也称为置信概率或置信度.而α是事先给定的一个小正数,它是指参数估计不准的概率。 相似文献