二元Lawrance-Lewis型指数分布的识别性及渐近不独立性

本文讨论了二元Lawrance-Lewis指数分布的识别性和渐近不独立性,若已知可识最小值的分布密度时,所有参数皆可识别;另外,还计算了X,Y之间的相关系数和尾部相关系数,证明了X,Y之间的渐近不独立性;且X,Y不相关当且仅当b=2时.     

二元Freund型指数分布的独立性和不相关性

本文讨论二元Freund型指数分布的独立性和不相关性,分别获得了两个服从二元Freund型指数分布随机变量相互独立及不相关的充分必要条件;并得到了其相关系数的精确表达式,证明了在对称情形其相关系数落入负三分之一与一之间,文末证明了X,Y之间的渐近独立性.     

二元Burr Ⅲ型分布的识别性和渐近独立性

本文讨论了二元Burr Ⅲ分布的识别性和尾部相关性,若已知可识最小值的分布密度时,所有参数皆可识别;另外,还计算了X,Y之间的尾部相关系数,证明了X,Y之间的渐近独立性.     

二元Cuadra-Auge型帕累托分布的相关性及渐近独立性

二元Cuadra-Auge型帕累托分布是一个二元对称分布,在本文中,分别讨论了二元Cuadra-Auge型帕累托分布的性质与相关性及渐近独立性,导出了二元Cuadra-Auge型帕累托分布的若干性质;证明了X,Y之间的相关系数介于零与四分之三之间,且X,Y之间渐近独立.     

连续随机变量的随机独立性与回归独立性

回归独立性是指给定随机变量 X时 ,随机变量 Y的条件期望 E( Y|X)不依赖于 X.前人讨论了离散型随机变量回归独立性与随机独立性的关系 ,得到了二者等价的充分必要条件 .对连续型随机变量的情形加以讨论 ,获到了二者等价的几个充分必要条件 ,并说明在统计分析中的应用 .     

Γ-分布类的条件概率封闭性

X服从参数α和λ的Γ-分布,V与Y分别服从参数θ和λ的指数分布.我们证明了:在X＜Y的条件下,X的条件分布是参数α和θ+λ的Γ-分布;在X＜V＜X+Y的条件下,V的条件分布是参数α+1和θ+λ的Γ-分布.称此类性质为Γ-分布类的条件概率封闭性.对离散的负二项分布也证明了类似的结果.     

条件期望与三变量独立性的两个充要条件

随机事件的独立性、随机变量的独立性是概率统计中的重要概念,不少学者都在这方面有所讨论.本文作者讨论了三维连续型随机变量（X,Y,Z）中三个分量X,Y,Z的相互独立性、条件独立性,得到三个引理.利用条件期望及三个引理作者给出了三变量相互独立的两个充要条件.     

Г-分布类的条件概率封闭性

X服从参数α和λ的Γ 分布,V与Y分别服从参数θ和λ的指数分布。我们证明了:在X相似文献   

多维指数分布

本文讨论了服从多维指数分布的随机向量的各分量间的独立性与相关性，证明了诸分量相互独立的充分必要条件是它们两两无关；并证明了多维指数分布类在弱收敛下的封闭性．     

一类新的二参数二元混合型指数分布的参数估计及相关结构

本文继续文[13]的工作,针对二元Marshall-Olkin型指数分布随机结构模型,取掉一个服从指数分布的随机变量,从而导出一类二参数二元混合型指数分布,并由此研究了它的特征和参数估计及相关结构;通过密度分拆重组技术,本文导出了一类二参数二元混合型指数分布的一个特征,据此,获得了基于总体(X,Y)完全样本的参数的最大似然估计及一致最小方差无偏估计,计算了两个随机变量之间的相关系数,证明了其相关系数的取值落在(0,1)区间内.     

线性指数分布参数的经验Bayes检验问题：φ混合样本情形

讨论了弱平稳φ混合样本下线性指数分布参数的经验Bayes(EB)双侧检验问题,利用概率密度函数的核估计构造了参数的经验Bayes检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性,并获得了它的收敛速度.     

一类多维指数分布的参数估计

考虑生存函数为(F)(x1,x2,…,xn)=P{X1＞x1,…,Xn＞xn}=exp{-[n∑i=1(xi/θi)1/δ]δ}(0＜xi＜∞,0＜δ≤ 1,0＜θi＜∞,i=(1,n))的一类多维指数分布,给出了它的密度函数的表示式,并讨论了它的性质.提出了相关参数δ的估计(^δ),证明了(^δ)有相合性和渐近正态性,得到了(^δ)的渐近方差σ2δ.最后还给出了若干随机模拟的结果.     

关于回归函数核估计的渐近正态性

令(X,Y)是具有联合密度f(x,y)的二元随机变量。如果EY有限,则称m(x)=E(Y|X=x)为Y关于X的迴归函数.假设(X_1,Y_1),…,(X_n,Y_n)是来自二元总体(X,Y)的一个随机样本,那么迴归函数的核估计定义作其中K是一元密度函数,{h_n}是一列收敛于0的正数.在Y有界且nh_n~2→∞的条件下,证明了(nh_n)~(1/2)(m_n(x)-Em_n(x))依分布收     

线性指数分布参数的经验Bayes检验问题

分别讨论了线性指数分布参数的经验Bayes(EB)单侧和双侧检验问题.利用概率密度函数的核估计分别构造了参数的经验Bayes检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性并获得了它的收敛速度.最后,给出一个有关主要结果的例子.     

负相伴样本情形线性指数分布参数的经验Bayes检验问题

讨论了负相伴样本情形线性指数分布参数的经验Bayes(EB)单侧检验问题.利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性并获得了其收敛速度.最后给出一个有关主要结果的例子.     

指数分布族参数的渐近最优与可容许的经验Bayes估计的再探讨

文献[1]在平方损失及超参数α服从伽玛分布且X1′,…Xn′(历史样本)和X(当前样本)独立同分布的条件下,构造了指数分布族{f(x|λ)=λe-λx,λ>0,x>0}的参数λ的渐近最优与可容许的经验Bayes估计.本文在超参数α分别服从伽与分布与指数分布且当前样本由X扩充为X1,…,Xm的情况下,重新构造了指数分布族参数λ的渐进最优与可容许的经验Bayes估计,从而将文献[1]的结果进行了推广.     

半参数回归模型中二阶段估计的渐近性质

给定半参数回归模型Y＝X′β g(T) e,其中β∈R^p是未知参数向量,g(t)是定义在[0,1]上的未知函数,e是随机误差,本文研究了β,,g(t)和σ2的估计量βn,gn(t)和σn^2,在适当的条件下证明了它们的渐近正态性,并给出了gn(t)的最优收敛速度。     

条件密度的近邻-核估计及其Bootstrap逼近

本文讨论了条件密度的近邻-核估计及其Bootstrap逼近的问题，证明了条件密度近邻-核估计的渐近正志性，Bootstrap逼近的相合性，讨论了有关的收敛速度．     

二维连续型随机变量函数的独立性探讨

给出了一种根据二维随机变量(X,Y)的密度函数f(x,y),构造相互独立的随机变量函数U=u(X,Y)和V=v(X,Y)的方法,丰富随机变量独立性的理论,探索X和Y的内在联系.     

截尾变量独立,不必同分布的条件下,最大似然估计的相合性及渐近正态性

本文提出条件（φ）,并证明了,在条件（φ）下,关于寿命分布的参数的最大似然估计具有强相合性及渐近正态性。验证了指数分布、Weibull分布、对数正态分布满足条件（φ）。这说明（φ）是比较广泛适用的。