两参数指数-威布尔分布形状参数的经验贝叶斯估计

研究了两参数指数-威布尔分布形状参数的经验贝叶斯(EB)估计问题,并假定当其中一个形状参数α已知时,给出了另一个形状参数θ在两种不同损失函数情况下的EB估计的表达式.并运用随机模拟方法,将两种不同损失函数下的EB估计进行了比较.     

定数截尾两参数指数——威布尔分布形状参数的Bayes估计

在不同的损失函数下,本文研究了两参数指数—威布尔分布(EWD)形状参数的Bayes估计问题.基于定数截尾试验,当其中一个形状参数α已知时,给出了另一个形状参数θ在三种不同损失函数下的Bayes估计表达式,并求得了可靠度函数的Bayes点估计.最后运用随机模拟方法,将Bayes估计和极大似然估计进行了比较.结果表明,LINEX损失下Bayes估计的精度比极大似然估计高.     

广义BS-极小值疲劳寿命分布的统计分析方法研究

论文提出一种新的疲劳寿命分布—两参数广义Birnbaum-Saunders极小值分布(BSMin(α,β)),研究了该分布的密度函数与失效率函数的图像特征。其次,给出了该分布在全样本下两个参数的分位数估计与回归估计,并通过蒙特卡罗模拟比较发现分位数估计较优,同时也探讨了两个参数的矩估计、极大似然估计以及对数矩估计。此外,论文还指出BSMin(α,β)分布取对数后用泰勒展开可近似看作两参数极小值分布,由此得到两个参数的近似区间估计,并通过蒙特卡罗模拟考察了近似区间估计的精度。最后,利用模拟数据说明了论文所提的点估计和近似区间估计方法的应用。     

Rayleigh分布的参数估计

设随机变量X服从Rayleigh分布,其密度函数为p(x;β)=2x/βe-x^2/β,x＞0,β＞0为参数,对变换群G={gc;gc(x)=c^2x,c＞0},本文分别在平方损失和熵损失下研究了β在G上的最优同变估计;当β有先验信息时,给出了β的Bayes估计。     

对称的稳定分布参数变点估计的相合性

假设稳定分布的特征指数α满足1<α<2,关于均值μ对称. 本文讨论了稳定分布中α或刻度参数β的变化导致的变点问题,即是否发生变化及变化时刻.若均值已知,当α或β改变时,密度函数f(x)在μ处的值f(μ)发生变化,我们利用密度函数的核估计来估计该点的值. 若均值未知,利用经验特征函数估计该点的值,并进一步讨论了估计的相合性与收敛速度. 其次讨论了均值变化导致的变点问题,若均值发生变化,相应变点前后特征函数的参数将变化,利用经验特征函数给出了变点的估计, 获得了类似的收敛速度. 最后给出了检测金融市场突变性的应用.     

Γ分布密度函数的性质

分析了Γ分布密度函数的性质,指出了该密度函数与相应参数之间的关系.主要研究第二个参数对密度的影响,证明了β增大时Γ(α,β)分布密度极大值也增大,还指出了β变化时Γ(α,β)分布密度与另一特定密度曲线交点的变化规律.     

矩阵损失下随机回归系数和参数的非齐次估计的可容许性

考虑线性模型 Y=Xβ+ε,Y 是可观察的 n 维向量,ε和β是不可观察的 n 维和 p 维随机向量;E(β)=Aα,VAR(β)=σ~2△≥0;E(ε)=0,VAR(ε)=σ~2V≥0;E(εβ＇)=0;X,A,△,V 皆为已知矩阵;α∈R~k,σ>0皆为未知参数,本文首次提出矩阵损失函数,并给出了(Sα,Qβ)的估计(L_1Y+α,L_2Y+b)在非齐次估计类中可容许的充要条件。     

与Gamma函数有关的对数完全单调函数及其应用

为了完善函数G_(α,β)(x)(其中参数α∈R,β≥0)及函数1/G_(α,β)(x)在区间(0,∞)上的对数完全单调性和相关不等式,利用Taylor展开式、Gamma函数、Psi函数的级数表达式和积分表达式研究了函数G_(α,β)(x)和函数1/G_(α,β)(x)数的对数完全单调性,将函数G_(α,β)(x)和函数1/G_(α,β)(x)对数完全单调的充分条件扩大;利用对数完全单调性得到新的不等式,并通过对特殊情形的研究,得到一个形式简单对称的双边不等式,该不等式对阶乘数之乘积与∏nk=1k~k的商做出估计.     

关于β级的α-凸函数

<正> 设α≥0,0≤β<1.记单位圆盘D={z;|z|<1}内满足■的正则函数f(z)=z+a_2z~2+…(2)的全体为f(α,β),称为β级的α-凸函数族. 本文首先建立了J(α,β)中一种新的函数从属关系,由此彻底解决了导函数模的估计等一系列问题,特别我们证明了Miller猜想.     

关于对数和指数的几个不等式

研究了关于对数和指数的两个函数:gα(x)=((ln(1+x))/x)~α及h_β(x)=((e~x-1)/x)~β.得到当x0时,g_α(x)+h_β(x)2及g_α(x)h_β(x)1这两个不等式成立的充分必要条件.     

二次损失下回归系数的线性Minimax估计

设有线性模型EY=Xβ,CovY=σ~2V,这里X和 V_(:nxn)>0已知矩阵,β∈R~p 和σ~2>0都是参数.本文估计 Sβ,选取损失函数L(d,Sβ)=其中 Sβ是可估的,并给出了在线性估计类中唯一的一个线性 minimax 估计.     

绝对值损失下单边截断型分布族参数的经验Bayes估计

本文在绝对值损失下,构造了单边截断型分布族参数的EB估计,并证明了在一组条件下,其Bayes风险的收敛速度为0((ln n/n)~(λγ/(2r+))·M_n),其中0<λ,γ≤1,M_n≤ln ln n(n充分大),M_n为一无穷大量。     

二次损失下回归系数的线性Minimax估计

设有线性模型 EY=Xβ CovY=σ~2V, 这里X: _(nxp),和V: _(nxn)>0已知矩阵,β∈R~P和σ~2>0都是参数。本文估计Sβ,选取损失函数 L(d,Sβ)=((d-Sβ)′(d-Sβ))/(σ~2+β′X′V~(-1)Xβ), 其中Sβ是可估的,并给出了在线性估计类中唯一的一个线性minimax估计。     

Г分布密度函数的性质

分析了Г分布密度函数的性质，指出了该密度函数与相应参数之间的关系．主要研究第二个参数对密度的影响，证明了β增大时Г（α，β）分布密度极大值也增大，还指出了β变化时Г（α，β）分布密度与另一特定密度曲线交点的变化规律．     

限制参数空间中二项分布参数的极小极大估计

对于二项分布(n,p)的参数p的估计已有许多结果,然而极大多数都是在当P毫无先验信息条件下讨论的,而在实际问题中根据先验知识往往可以确定p∈[α,β],其中0≤α<β≤,这时仍用k/n作为p的估计显然过于粗糙。本文将指出当β—α充分小时,p的极小极大估计正是相应于某一在端点。α和β上的二点分布的Baye估计,并给出了若干个数字实例,然后讨论了当n→∞时,只要(β—α)小于某一常数(它依赖于n和a)时,上述结论总是成立。类似问题在[1]中作者对均分布进行了讨论,而在[2]和[3]中曾对于具有已知方差的     

方程ax=x根的再讨论

文 [1]、[2 ]就方程 ax =x根的分布情况作了讨论 ,但很繁琐又不清晰 ,实际上 ,只要讨论函数 y =x1 x 的性质 ,方程 ax =x根的分布就显得十分清楚了 ,为此 ,特介绍如下方法 .定理　函数 f(x) =x1 x(x >0 ) ,(1)在 x =e处 ,f (x)取最大值 e1 e;(2 ) 0 e时 ,f(x)递减 ;(3) limx→ ∞f(x) =1,limx→ 0 f(x) =0 .证明　设 g(x) =ln xx =ln f(x)(x >0 ) ,在点 (e,1)处 ,y =ln x的切线 :y - 1=1e(x - e)过原点 ,取 P1 (x1 ,ln x1 )、P2 (x2 ,ln x2 ) ,其中 x2 >x1 >0 ,直线 OP1 、OP2的倾角分别为α1 、α2 ,如 e相似文献   

Legendre级数所定义的整函数的极大项

设a>0,用 E_a 表示 z 平面上的一椭园,其方程为 z=cosh(α+iβ)(0≤β<2π),α称作椭园参数.显然,当z(?)[-1,1]时,存在唯一的α>0及唯一的0≤β<2π,使 z=cosh(α+iβ).设P_n(z)为 n 次 Legendre 多项式,Q_n(z)为第二种 Legendre 函数,则有     

熵损失函数下两参数Lomax分布形状参数的Bayes估计

在熵损失函数下,讨论了两参数Lomax分布形状参数的Bayes估计和可容许估计.并讨论了一类(cT+d)~(-1)形式估计的可容许性和不可容许性.     

单叶解析函数的几个子族之间的关系及应用

在复平面单位圆盘内引入了β型螺形甬数族S<,β>的一个子类S<'β>,<,α>函数族,研究了S<'β>,<,α>族与解析函数族S*,S*(α),K,K(α)及S<,β>之间的关系,利用得到的关系式对S<'β>,<,α>族的第二项系数进行了精确估计,同时得到了K(a)族的第二、三项系数的关系式和S<,β>,族的一个积分表...     

一族特殊的单叶函数

<正> 设S_λ~*(α,β)表示函数类在单位圆u{z;|z|<1}内解析映象,且对0<λ≤1;0≤α≤(1+λ)/2;0<β≤1;满足设C_λ~*(α,β)表示函数类在U 内解析,且zf~′(z)属于S_λ~*(α,β)。当λ=1时,为函数类S_1~*(α,β)和C_1~*(α,β).文中给出了这两类函数的一些结果,本文就