圆内二维均匀分布的参数估计

研究了圆内二维均匀分布的参数估计,利用次序统计量得到了圆的半径的估计量与置信区间.     

球内三维均匀分布区域半径的估计

讨论了球内三维均匀分布区域半径的估计,利用次序统计量得到球形区域半径的估计量和置信区间,并证明了所给置信区间为一定条件下的最短置信区间.     

均匀分布次序统计量的性质

设X(1),X(2),…,X(n)为均匀分布中的次序统计量,讨论随机变量X(i),X(n)-X(1),X(k+i)-X(i),X(i)/X(i+1),和XX((kj))--XX((ii))的概率分布,得到它们的概率分布都为β分布.     

均匀分布参数的最短置信区间

将求均匀分布未知参数的最短置信区间转化为条件极值问题,给出了均匀分布参数的最短置信区间,推广了原有的结论.     

基于均匀分布参数估计的几个结果

在总体分布为U(0,θ)和U(1θ,2θ)下,给出了未知参数θ,1θ,2θ的一些点估计量,并讨论了这些估计量的性质,对原有结果进行了补充.     

二维均匀分布矩形区域面积的估计

根据一维均匀分布区间长度的区间估计,探讨了二维均匀分布矩形区域面积的估计问题,并给出了其各种估计.     

最小p区间的定义及其应用

本文研究了 最小p区间的估计及应用.利用次序统计量得到了最小p区间的强相合估计,推广了求位置参数和刻度参数的估计方法.     

关于t（n）、F（m，n）分布数字特征的计算

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：     

二维均匀分布的一个简单应用

给出了二维均匀分布在求随机变量函数的分布时的简单应用．     

基于样本次序统计量的总体分位数的非参数统计推断

随机总体分位数的统计推断理论与方法一直是统计学研究的重要课题.其主要原因是分位数的应用涉及众多领域,且在各领域的研究中起到举足轻重的作用.本文系统地论述了基于样本次序统计量的总体分位数的非参数统计推断的理论和方法;给出了基于样本次序统计量的总体分位数的估计方法,总体两个分位数之差的置信区间,总体容许区间的求解方法及符号检验.希望有助于读者的科研与应用.     

利用样本分位数的Logistic分布参数的渐近置信估计

基于Logistic分布的若干个样本分位数 ,利用线性回归模型建立Logistic分布位置参数及尺度参数的渐近正态且渐近无偏估计量 ,得到分布参数的渐近置信估计。     

关于均匀分布区间长度的区间估计

给出了均匀分布区间长度的估计量以及概率密度,并给出了区间长度的区间估计.     

均匀分布位置参数的估计量的渐近分布及应用

对区间长度为定值均匀分布位置参数的点估计量进行了研究,得到位置参数点估计量的渐近分布.讨论了渐近分布的相关性质.给出了位置参数的区间估计及其假设检验方法.     

伽玛分布参数的最短置信区间

Γ(β,θ)分布中未知参数θ的最短置信区间实际上是一个条件极值问题,它能转化成一个方程组可用数值方法迭代求解。在假设参数β=1,置信水平为0.95的条件下,比较了常用置信区间与最短置信区间的长度,结果表明:两者长度的绝对差d(n)和相对差e(n)均随样本容量n的增大而减小,当n≤9时,e(n)≥10%。这说明在小样本下,研究参数的最短置信区间是必要的。     

长方体上均匀分布的密度函数

讨论了长方体上均匀分布密度函数问题,得到了长方体体积的估计量、估计量的点估计及估计量的密度函数.     

关于两个均匀分布总体标准差比的估计

考虑取两个均匀分布总体样本数不同时,两个均匀分布总体标准差比的估计,给出了两个均匀分布总体标准差比的区间估计.     

Symbolic computing the exact distributions of L-statistics from a uniform distribution

The exact probability density function of linear combinations of k=k(n) order statistics selected from the whole order statistics (L-statistic) based on a random sample of size n from the uniform distribution on [0, 1] was derived by Matsunawa (1985, Ann. Inst. Statist. Math., 37, 1–16). As the main expression for the density function given by Matsunawa is not complete for the general situation, we first provide the corrections for this formula. Second, we propose a simple scheme involving symbolic computing for evaluating the corrected version of the density function. The cumulative distribution function and the r-th mean of his L-statistic are also derived.     

Pascal分布的参数估计

对Pascal分布,提出了参数估计的一种新方法——E-Bayes估计法.给出了可靠度的E-Bayes估计的定义,在此基础上给出了可靠度的E-Bayes估计公式,并给出了可靠度的E-Bayes估计的性质——E-Bayes估计和多层Bayes估计的关系.最后,给出了模拟算例,结果表明本文提出的E-Bayes估计法可行且便于应用.     

The exact and approximate distributions of linear combinations of selected order statistics from a uniform distribution

Summary The exact probability density function is given for linear combinations ofk=k(n) order statistics selected from whole order statistics based on random sample of sizen drawn from a uniform distribution. Normal approximation to the linear combinations is made with the aid of Berry-Esseen's theorem. Necessary and sufficient conditions of the asymptotic normality for the statistic are obtained, too. An exact distribution and its normal approximation of linear combination of mutually independent gamma variables with integer valued parameters are also given as associated consequences. The Institute of Statistical Mathematics