In this communication, we introduce a new statistical model and study its various mathematical properties. The expressions for hazard rate, reversed hazard rate, and odd functions are provided. We explore the asymptotic behaviors of the density and hazard functions of the newly proposed model. Further, moments, median, quantile, and mode are obtained. The cumulative distribution and density functions of the general $k$th order statistic are provided. Sufficient conditions, under which the likelihood ratio order between two inverse generalized linear failure rate (IGLFR) distributed random variables holds, are derived. In addition to these results, we introduce several estimates for the parameters of IGLFR distribution. The maximum likelihood and maximum product spacings estimates are proposed. Bayes estimates are calculated with respect to the squared error loss function. Further, asymptotic confidence and Bayesian credible intervals are obtained. To observe the performance of the proposed estimates, we carry out a Monte Carlo simulation using $R$ software. Finally, two real-life data sets are considered for the purpose of illustration.


翻译:在这篇论文中,我们引入了一种新的统计模型,并研究了它的各种数学特性。我们提供了灾难率、反向灾难率和奇函数的表达式。我们探索了新提出的模型的密度和危险函数的渐近行为。进一步获得了矩、中位数、分位数和模数。为IGLFR分布的一般第k个顺序统计量提供了累积分布和密度函数。导出了两个逆广义线性故障率(IGLFR)分布随机变量之间似然比次序成立的充分条件。除了这些结果外,我们还提出了几种估计IGLFR分布参数的方法。我们提出了最大似然估计、最大产品间距估计。Bayes估计是针对平方误差损失函数计算的。进一步获得了渐近置信和Bayesian可信区间。为了观察所提估计的性能,我们使用R软件进行了Monte Carlo模拟。最后,考虑了两个真实数据集作为说明目的。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年6月5日
VIP会员
相关VIP内容
专知会员服务
50+阅读 · 2020年12月14日
相关资讯
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员