p,q-对称熵损失函数下指数分布的参数估计

用参数估计方法,研究指数分布的刻度参数在p,q-对称熵损失函数下的最小风险同变估计(MRE)、Bayes估计和M inimax估计,并讨论了具有[cT+d]-1形式的估计量当0≤c<c*,d>0;c=c*,d>0时是可容许的,当c<0或d<0;0<c≠c*且d=0;c>c*且d>0时是不可容许的.

q对称熵损失函数下指数分布的参数估计

提出对称熵损失函数的一般形式(λ/δ)q+(δ/λ)q-2(q>0),即q对称熵损失.讨论指数分布的尺度参数在此损失函数下的最小风险同变估计、Bayes估计和最小最大估计,给出了更具一般性的结论,并研究了(cT+d)-1形式估计的可容许性和不可容许性.

q-对称熵损失函数下Gamma分布的尺度参数的估计

本文在对称熵损失函数的基础上定义了q-对称熵损失函数,并用参数估计的方法研究了在q-对称熵损失函数下Gamma分布的尺度参数的最小风险同变估计(MRE)、贝叶斯(Bayes)估计、最小最大(Mininax)估计等。我们还对这些估计量的可容许性和不可容许性进行了讨论,最后分别对指数分布和Gamma分布在两种损失函数下的估计结果进行了数值比较。

q对称熵损失函数下正态总体刻度参数的估计

用参数估计的方法,研究均值为0的正态分布中刻度参数在q对称熵损失函数下的最小风险同变估计、Bayes估计和M inimax估计,并讨论了[cT+d]1/2形式的估计量当0≤c<c*,d>0;c=c*,d≥0时是可容许的,当0<c≠c*,d=0;c>c*,d>0时是不可容许的.

对称熵损失函数下两参数Lomax分布形状参数的Bayes估计

在对称熵损失函数下,文章讨论了两参数Lomax分布形状参数的Bayes估计,经验Bayes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。

Q-对称熵损失函数下几何分布参数估计

在Q-对称熵损失函数下,讨论Poisson分布、二项分布和几何分布参数的Bayes估计,给出了更具一般性的结果。并且讨论该结果的可容许性和不可容许性。

对称熵损失函数下两参数广义指数分布形状参数的Bayes估计

在对称熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并给出了一类逆线性形式(cT+d)-1估计的可容许性和不可容许性的条件.

对称熵损失函数下Rayleigh分布参数的Bayes估计

在对称熵损失函数下,研究Rayleigh分布参数的Bayes估计、经验Bayes估计以及可容许性问题,并讨论了一类(cT+d)-1形式估计的可容许性和不可容许性.

Q-对称熵损失函数下的Poisson分布参数倒数的估计

研究在Q-对称熵损失函数下,Poisson分布参数倒数的估计,得出在Q-对称熵损失下,形式的一类估计的可容许性和不可容许性,并给出可容许估计的充要条件.

Q-对称熵损失函数下的Poisson分布及二项分布的参数估计

在Q-对称熵损失函数下,讨论Poisson分布、二项分布和几何分布参数的Bayes估计,给出了更具一般性的结果。并且讨论该结果的可容许性和不可容许性。

Q-对称熵损失函数下Burr分布参数的估计

在参数α已知、双参数Burr分布参数的先验分布为其共轭先验分布Γ(a,b)分布时,给出了Burr分布参数在Q-对称熵损失函数下的Bayes估计和多层Bayes估计。

对称熵损失函数下一类分布族参数的Bayes估计

在对称熵损失函数下,研究一类分布族参数的Bayes估计问题,并讨论了一类逆线性形式估计的可容许性和不可容许性。

P,Q-对称熵损失函数下Pareto分布参数的Bayes估计

在P,Q-对称熵损失函数下,讨论了Pareto分布参数的Bayes估计.当先验分布为伽玛分布时,给出估计的精确形式.最后证明了其容许性.

Q对称熵损失函数下定时截尾情形几何分布参数的Bayes估计

本文首先利用Q对称熵损失函数的性质及Bayes风险的唯一最小值解为Bayes解,讨论了Q对称熵损失函数下定时截尾情形几何分布参数的估计问题,给出了在任何先验分布下Bayes估计的一般形式,以及在给出先验分布的情况下给出了上述情形下几何分布Bayes估计的精确形式,最后证明了此Bayes估计是可容许的。

对称熵损失函数下指数分布寿命性能指数的贝叶斯检验

在产品的质量特性值服从指数分布条件下,用过程能力指数评估产品的寿命性能,建立了对称熵损失函数下指数分布寿命性能指数的贝叶斯检验方法,给出寿命性能指数CL的最大似然估计及贝叶斯估计,提出一种新的方法对CL进行检验,并通过一个应用实例说明该方法的有效性.

Q-对称熵损失函数下的双二项分布参数倒数的估计

研究在Q-对称熵损失函数下,双二项分布参数倒数的估计,并对估计量c[n∏k=1(T+d-k)]-(1/2q)的可容性和不可容许性的条件进行讨论.

不同损失函数下Lindley分布参数的Bayes估计

在熵损失函数和Q对称熵损失函数下,对参数的先验分布选取无信息先验分布和伽玛分布,研究了Lindley分布参数的Bayes估计问题,且通过随机模拟比较不同条件下参数的Bayes估计效果.结果表明:同一种损失函数下,参数的先验分布为伽玛分布时估计效果更佳;样本容量较少时,在熵损失函数下,且先验分布为伽玛分布时,Bayes估计的均方误差较小;样本容量较多时,在Q对称熵损失函数及先验分布取伽玛分布的条件下,估计效果更理想.最后,由实例表明估计效果与数值模拟相符.

对称熵损失函数下的一个可容许性定理的证明

指数分布的尺度参数在对称熵损失函数下的最小风险同变估计(MRE)的形式为,本文根据Brown引理证明了此估计量是可容许的.

Q-对称熵损失函数下Pareto分布参数的Bayes估计

在Q-对称熵损失函数下,讨论了Pareto分布参数的Bayes估计.

一种加权对称损失函数下一类指数分布模型参数的估计

对刻度参数指数分布模型c(x,n)θ-νe-T(x)/θ提出了一种新的损失函数——加权p,q对称熵损失函数L(θ,δ)=θp/pδp+δq/qθq-2(p,q>0,q<ν),并用它研究了刻度参数θ的估计.得到了参数θ的最小风险同变估计与Bayes估计的一般形式与精确形式,这两种估计形式比已有文献中相应形式更为简捷.证明了参数θ的最小风险同变估计具有最小最大性以及它的Bayes估计具有不变性,这是已有文献在其它损失函数下未曾讨论的问题,由此扩充了刻度参数指数分布模型c(x,n)θ-νe-T(x)/θ参数估计的内容.