On general weighted cumulative residual (past) extropy of extreme order statistics
Central University of Jharkhand(贾坎德中央大学);Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
本文提出了一种用于极端顺序统计量的加权累积残余extropy和加权累积过去extropy,用于刻画不确定性,并建立了新的可靠性模型特征化结果。
2026-04-16 math.ST stat.TH
On Weighted Extropies
熵是由Lad等人(2015)引入的信息的信息测度,作为熵的对偶。与熵一样,它是一种与位移无关的信息测度。我们在这里引入加权熵的概念,转移相关的信息措施,使更高的权重观察到的随机变量的大值。我们还研究了加权残差和过去的熵作为加权版本的剩余和过去的生活。还提供了二元版本的extropy和加权extropy。通过几个例子来说明这里介绍的各种概念。
2020-08-18 math.ST stat.TH
On General Weighted Extropy of Extreme Ranked Set Sampling
本文研究极端排序集抽样下的加权 extropy,提出新表示并给出随机序、特征刻画与精确界,从而比较其与简单随机抽样对应量的差异。
2024-03-05 math.ST stat.TH
On general weighted cumulative past extropy
本文针对一般加权累积过去互熵(n-WCPJ)展开研究,推导其相关性质、界与不等式,分析线性变换的影响,基于最大顺序统计量研究其特征,并探讨条件WCPJ的性质,丰富了该测度的理论成果。
2023-05-08 math.ST stat.TH
General weighted cumulative residual (past) extropy of minimum (maximum) ranked set sampling with unequal samples
本文引入广义加权累积残差外熵和过去外熵,分别用于不等样本最小和最大排序集抽样的不确定性度量,并讨论了随机比较、单调性质及经验估计量。
2023-01-31 math.ST stat.TH
On partial monotonicity of some extropy measures
Gupta和Chaudhary [14]引入了广义加权熵并研究了相关性质。本文研究了条件熵,定义了条件熵的单调性。此外,我们还得到了广义加权熵卷积的结果。
2022-11-29 cs.IT math.CA math.IT
Weighted cumulative past inaccuracy and Kullback-Leibler divergence based on extropy: properties, estimation, and applications
National Institute of Technology Rourkela(印度国家技术学院劳尔基分校)
该研究基于超熵提出WCPEI、WCPED等加权度量指标,推导其理论性质与非参数估计方法,通过模拟验证估计量表现,并将其应用于均匀性检验与图像像素强度分布分析。
2026-08-14 math.ST stat.ME stat.TH
General weighted extropy of minimum and maximum ranked set sampling with unequal samples
本文针对工业等领域的抽样需求,定义了不等样本下最小、最大排序集抽样的一般加权负熵,分析其随机比较与单调性,对比不同抽样方式的负熵并推导界值,丰富了排序集抽样的信息测度研究。
2023-05-02 math.ST stat.TH
Measures of inaccuracy based on Varextropy
University of Kashan(卡尚大学);Arak University(阿拉克大学)
本文基于变熵提出新的不准确性度量,探讨其性质并推导下界,同时引入基于变熵的判别度量用于分布比较和模型拟合评估。
2026-06-29 math.ST stat.TH
Generalized Weighted Survival and Failure Entropies and their Dynamic Versions
给出了广义生存和失效序熵的加权形式($α,β$),并得到了它的一些性质。我们进一步提出了加权广义生存熵和加权广义失效熵的动态形式,并得到了它们的一些性质和界。瑞利分布和功率分布的特征是动态加权广义熵。我们进一步考虑广义加权生存和失败熵的经验版本,并使用理论和经验生存熵之间的差异被认为是指数检验。
2020-06-12 math.ST stat.ME stat.TH
On weighted failure rate, its means and associated quantile version
该研究定义了加权失效率及其均值,推导了相关刻画结果与老化函数界,证明加权IFRA类在相干系统下不封闭,且失效率均值的分位数版本可作为其特例得到。
2024-04-10 math.PR math.ST stat.TH
The Inverse Weighted Lindley Distribution: Properties, Estimation and an Application on a Failure Time Data
本文提出了一种新的分布。这种新模型为使用倒浴缸危险率函数的数据建模提供了更大的灵活性。一个新的分布的数学性质的显着帐户。在完全数据和删失数据下给出了参数的极大似然估计。两种校正方法被认为是获得修改后的估计是无偏二阶。进行了数值模拟,以检查偏压校正的效率。最后,一个应用程序使用一个真实的数据集,以说明我们提出的分布。
2017-11-26 math.ST stat.TH
Asymptotic theory for the semiparametric accelerated failure time model with missing data
本文考虑一类具有缺失数据的转换(或加速失效时间)模型的双加权秩估计方法,例如在病例队列研究中。所考虑的权重可能无法按照鞅随机过程公式的要求进行预测。我们把一般问题作为一个半参数估计方程问题,并利用经验过程理论证明了加权估计的渐近性质,无论是真权估计还是估计权估计.仿真结果表明,结果依赖加权方法适用于有限样本的病例队列研究,并提高了效率相比,基于可预测的权重的方法。此外,可以看出,当使用估计权重时,该方法甚至更有效,这在缺失数据文献中是常见的情况。Gehan删失数据Wilcoxon权重被发现是令人惊讶的效率在广泛的一类问题。
2009-08-21 math.ST stat.TH
Record-Based Transmuted Generalized Linear Exponential Distribution with Increasing, Decreasing and Bathtub Shaped Failure Rates
线性指数分布是指数分布和瑞利分布的推广。该分布是拟合故障率(IFR)增加的数据的最佳模型之一。但它并没有提供一个合理的适合建模数据与减少故障率(DFR)和浴缸形故障率(BTFR)。为了克服这一缺点,我们通过使用Balakrishnan和He(2021)的技术提出了一个新的基于记录的变形广义线性指数(RTGLE)分布。RTGLE分布族更灵活地拟合具有IFR、DFR和BTFR的数据集,并且还推广了几个著名的模型以及一些新的基于记录的变形模型。本文旨在研究RTGLE分布的统计性质,如密度函数和危险函数的形状,分位数函数及其应用,矩及其母函数,顺序和记录统计量,Renyi熵。构造了未知参数的极大似然估计、最小二乘估计、加权最小二乘估计、Anderson-Darling估计、Cramer-von Mises估计,并通过Monte Carlo模拟研究了它们的偏差和均方误差。最后,基于故障时间的实际数据集说明了所提出的分布的拟合优度和适用性,因此,合适的建议。
2021-07-20 math.ST stat.AP stat.TH
On the Role of Volterra Integral Equations in Self-Consistent, Product-Limit, Inverse Probability of Censoring Weighted, and Redistribution-to-the-Right Estimators for the Survival Function
本文揭示了第一类 Volterra 积分方程如何将右删失数据下生存函数的自洽、乘积极限、逆概率删失加权及向右重分配估计量联系起来,证明了这些估计量的内在等价性。
2023-10-20 math.ST stat.ME stat.TH
Information-theoretic bounds for exact recovery in weighted stochastic block models using the Renyi divergence
我们推导出精确恢复的社区在加权随机块模型,观察收集的形式加权邻接矩阵,每个边缘的权重独立于由其端点的社区成员资格所确定的分布而产生的尖锐阈值。我们的主要结果,表征成功和失败的最大似然估计边缘权重时,从离散分布之间的精确边界,涉及Renyi发散的顺序$\frac{1}{2}$之间的分布内社区和社区之间的边缘。当Renyi散度高于某个阈值时,意味着边缘分布充分分离,最大似然法成功,概率趋于1;当Renyi散度低于阈值时,最大似然法失败,概率远离0。在图形通道的语言中,Renyi分歧指出了具有二进制输入的离散图形通道的信息理论容量。我们的研究结果概括了以前建立的阈值,专门为未加权块模型,并支持一个重要的自然直觉有关的内在硬度社区估计的边缘分类的问题。一路上,我们建立了一个一般的关系之间的Renyi分歧和成功的概率的最大似然估计的任意边缘重量分布。最后,我们讨论的后果,我们的界限的相关问题的截尾块模型和子矩阵本地化,这可能被视为特殊情况下,我们的文件中开发的框架。
2015-09-21 cs.IT cs.SI math.IT