روش های استنباط پارامتر قابلیت اعتماد در مدل تنش-مقاومت برای توزیع نرمال

پایان نامه
چکیده

در این پایان نامه به مسأله استنباط پارامتر قابلیت اعتماد مدل تنش-مقاومت برای توزیع نرمال در دو حالت مختلف می پردازیم. در حالت اول که متغیرهای تصادفی از یکدیگر مستقل هستند، برآوردهای نقطه ای این پارامتر را ارائه می کنیم. وقتی نسبت واریانس ها معلوم است، آزمون و بازه ی اطمینان دقیق را بیان می کنیم. زمانی که نسبت واریانس ها مجهول است، استنباط دقیق در مورد این پارامتر وجود ندارد. در حالت دوم که متغیرهای تصادفی وابسته هستند، برآوردگر ماکسیمم درستنمایی و برآوردگر نااریب به طوریکنواخت با کم ترین واریانس را تحت روش های مختلف برای پارامتر مورد نظر به دست می آوریم. سپس بازه ی اطمینان را برای پارامتر قابلیت اعتماد با روش های مختلف تقریبی و روش بوت استرپ به دست می آوریم. سرانجام با استفاده از شبیه سازی مونت کارلو، همه روش های ارائه شده برای ساختن بازه ی اطمینان پارامتر قابلیت اعتماد مقایسه می شوند.

منابع مشابه

برآورد قابلیت اعتماد، در مدل تنش-مقاومت چند مولفه‌ای بر پایه توزیع گومپرتز

در این مقاله، قابلیت اعتماد در مدل تنش-مقاومت چند مولفه‌ای، وقتی که متغیرهای تنش و مقاومت دارای توزیع‌های گومپرتز با پارامترهای شکل متفاوت و و پارامتر یکسان هستند، برآورد می‌شود. با برآورد پارامترهای توزیع گومپرتز به روش‌های ماکسیمم درستنمایی و بهترین برآورد صدکی تک‌مشاهده‌ای، برآورد قابلیت اعتماد به دست آورده می‌شود. به روش شبیه‌سازی مونت‌کارلو، یک مطالعه شبیه‌سازی انجام شده و برای تشریح روش‌ه...

متن کامل

برآورد پارامتر قابلیت اعتماد تنش-مقاومت در توزیع لوژستیک تعمیم یافته

رابطه بین تنش-مقاومت‏، تحت عنوان مدل های تنش-مقاومت شناخته می شود. در این مدل ها عبارت (‎p(y<x زیاد به کار می رود‏. ‎مسئله برآورد (p(y<x برای حالتی که ‎‎‎‎x‎‏ و ‎y‎‎‏ دو متغیر تصادفی مستقل از هم هستند‏، همواره مورد توجه بوده است.‎‎ در‎ این پژوهش، برای حالتی که دو متغیر تصادفی ‎‎‎‎x‎‎‏ و ‎y‎‏ مستقل از هم با توزیع لوژستیک تعمیم یافته نوع اول هستند‏، به برآورد نقطه ای و فاصله ای با دو رویکرد کلاس...

استنباط در توزیع نرمال براساس نمونه‌گیری وزنی

  روش های معمول، استنباط آماری مبتی بر نمونه تصادفی است. اما در بسیاری از موارد مکانیسم نمونه گیری به گونه ای است که هر مشاهده با شانسی متناسب با تابعی نامنفی از آن ثبت می شود. چنین نمونه ای را نمونه وزنی گویند. بنابراین لازم است اصطلاحات مناسبی که بستگی به تابع وزن دارد در روش هی معمول استنباطی صورت گیرد. در این مقاله تحت چند وزن خاص چنین اصلاحاتی در روش های برآورد پارامترها در توزیع نرمال ارا...

متن کامل

استنباط برای پارامتر تنش - مقاومت تحت توزیع های لوماکس و لوماکس دوگان

مدل تنش-مقاومت به بررسی استقامت مولفه ی مورد نظر در برابر فشار وارده بر آن می پردازد که میزان فشار وارده یک متغیر تصادفی است. در حال حاضر به مدل تنش -مقاومت توجه زیادی می شود، به خصوص برای برآورد ‎r=p(x>y)‎ که در آن ‎x‎ و y متغیرهای تصادفی مستقل هستند. متغیر ‎ x ‎ را نماد مقاومت وy ‎ را نماد تنش می نامند و r ‎ را پارامتر تنش-مقاومت گویند. موضوع تنش-مقاومت توسط بیرنبام معرفی شد و توس...

قابلیت اعتماد تنش و مقاومت توزیع نمایی مبتنی نمونه‌های سانسورشده‌ی تلفیقی پیش‌رونده‌ی نوع اول

چکیده: در این مقاله براورد پارامتر تنش و مقاومت R مبتنی بر دو نمونه‌ی مستقل سانسورشده‌ی تلفیقی پیش‌رونده‌ی نوع اول از دو جامعه‌ی نمایی با پارامترهای متفاوت بررسی شده است. براوردگر ماکسیمم درستنمایی و بازه‌ی اطمینان مجانبی برای R محاسبه شده است. همچنین براوردگر بیزی R تحت فرض توزیع‌های پیشینی گامای مستقل به‌دست آمده است. یک شبیه‌سازی مونت ‌کارلویی برای ارزیابی عملکرد براوردگر ماکسیمم درستنمایی، ...

متن کامل

استنباط پیرامون پارامتر تنش-مقاومت برای دو جامعه وایبول تحت طرح سانسور توأم فزاینده نوع دوم کلی

در این مقاله، استنباط پیرامون پارامتر تنش-مقاومت تحت طرح سانسور توأم فزاینده نوع دوم کلی برای دو جامعه وایبول با پارامترهای شکل یکسان انجام می شود. ابتدا روش یافتن برآوردگر ماکسیمم درستنمایی و بازه های اطمینان تقریب نرمال و بوت استرپ ارائه می شود. سپس با استفاده از شبیه سازی، عملکرد برآوردگر ماکسیمم درستنمایی و بازه های اطمینان تقریب نرمال و بوت استرپ مورد ارزیابی قرار می گیرد. سرانجام روش های ...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه یزد - دانشکده علوم پایه

کلمات کلیدی

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023