可靠性增长试验中一类结构可靠度的统计分析

设X_(i1),X_(i2)……,X(in),是X_i的随机样本(i=1,2,…,m),且这些样本间是相互独立的,又设X_i～N(θ_i,δ_i~2)(θ_i与δ_i未知),且对某一常数c有P(X_1>c)≤P(X_2>c)≤…≤P(X_m>(?)基于上述样本,文中给出P(X_m>c)的点估计和在某种意义下最优的置信下限。     

对MIL-HDBK-781和IEC61124(2002)草案中定时试验方案的改进

本文对MIL-HDBK-781和IEC61124(2002)草案中的定时试验方案进行改进，提出一种两阶段定总时混合截尾方案．对任何两阶段定总时混合截尾方案还给出了参数6(MTBF)的置信限的计算方法与计算软件。     

关于MIL—HDBK—781中的保证试验

美国军用标准 MIL— H DBK— 781中的保证试验以其所需的试验时间短而引起可靠性工程界的广泛关注。本文指出这种试验方案存在不合理之处 ,并提出了避免不合理因素的修正方案 ,还从贝叶斯统计角度论证了这种修正方案是有道理的 ,值得实际工作中采用。     

��Ԫ�ع���ѡ���Ա�����һ�ּ򵥷���

在线性回归模型建模中, 回归自变量选择是一个受到广泛关注、文献众多, 具有很强的理论和实际意义的问题. 回归自变量选择子集的相合性是其中一个重要问题, 如果某种自变量选择方法选择的子集在样本量趋于无穷时是相合的, 而且预测均方误差较小, 则这种方法是可取的. 利用BIC准则可以挑选相合的自变量子集, 但是在自变量个数很多时计算量过大; 适应lasso方法具有较高计算效率, 也能找到相合的自变量子集; 本文提出一种更简单的自变量选择方法, 只需要计算两次普通线性回归: 第一次进行全集回归, 得到全集的回归系数估计, 然后利用这些回归系数估计挑选子集, 然后只要在挑选的自变量子集上再进行一次普通线性回归就得到了回归结果. 考虑如下的回归模型: 其中回归系数中非零分量下标的集合为, 设是本文方法选择的自变量子集下标集合, 是本文方法估计的回归系数(未选中的自变量对应的系数为零), 本文证明了, 在适当条件下, 其中表示的 分量下标在中的元素的组成的向量, 是误差方差, 是与 矩阵极限有关的矩阵和常数. 数值模拟结果表明本文方法具有很好的中小样本性质.     

任意序贯样本下指数分布均值置信限

给出了在任意序贯试验情形下指数分布均值置信限的一般构造方法, 这种序贯试验可以是有替换试验也可以是无替换试验. 特别是给出了无失效情形下的最好的置信限的显式表达式.     

任何序贯样本情形下伯努利参数的置信限

设（xn,n≥1）是独立同分布的随变量列,xn=0或1且P（xn=1)=p(n≥1),这里p是未知的,设τ是（xn,n≥1）的任何有限停止时间,对任何序贯样本（x1,x2,…,x)和r∈(0,1),本文给出了p的r水平最优置信下限和最优置信上限,还讨论了一些有关的问题。     

一类随机过程的最优序贯检验的唯一性

§1 引言与结果概述设(x_1,t≥0)是概率空间(Ω,(?),p_i)(i=1.2)上的右连续随机过程,这里P_1和p_2是两个概率测度。我们来考虑检验问题:P_1是否是真正的概率测度?零假设是H_1:P_1是真正的概率测度,对立假设是H_2:P_2是真正的概率测度。我们要来探讨这个检验问题的最优检     

关于Колмогоров定理之推广

§1.引言证明了在实函数空间中建立测度的重要定理,现在都称之为定理。在[2]中推广了这个定理,即[2]中定理1.2(见中译本21页,以下简称“定理1.2”),但未给出详细证明,本文举出反例来说明,这个推广是不正确的。     

样本空间中的序与参数的置信限

此文中我们利用样本空间中的序提出了计算参数信限的一般方法，对于双向删失和更新计数过程的情形，我们分别获得了具体的计算公式，它们在寿命及可靠性研究中有重要的实用价值。