Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2412.05620v2

帮助 | 高级搜索

数学 > 统计理论

arXiv:2412.05620v2 (math)
[提交于 2024年12月7日 (v1) ,最后修订 2025年8月23日 (此版本, v2)]

标题: 两个正态总体的正次幂有序限制标准差的改进估计

标题: Improved estimation of the positive powers ordered restricted standard deviation of two normal populations

Authors:Somnath Mondal, Lakshmi Kanta Patra
摘要: 本文手稿关注在均值具有某些限制的情况下,两个正态总体的有序受限标准差的正幂的分量估计。 我们提出了一些在一般尺度不变碗状损失函数下的改进估计量。 此外,我们提出了一个改进估计量的类。 已经证明该类的边界估计量是一个广义贝叶斯估计量。 作为应用,根据二次损失、熵损失和对称损失函数得到了改进估计量。 我们进行了广泛的蒙特卡洛模拟来研究和比较所提出的估计量的风险性能。 最后,给出一个实际数据的分析以说明我们的发现。
摘要: The present manuscript is concerned with component-wise estimation of the positive power of ordered restricted standard deviation of two normal populations with certain restrictions on the means. We propose several improved estimators under a general scale invariant bowl-shaped loss function. Also, we proposed a class of improved estimators. It has been shown that the boundary estimator of this class is a generalized Bayes. As an application, the improved estimators are obtained with respect to quadratic loss, entropy loss, and a symmetric loss function. We have conducted extensive Monte Carlo simulations to study and compare the risk performance of the proposed estimators. Finally, a real life data analysis is given to illustrate our findings.
评论: 31页,48幅图,更正了拼写错误并更新了第三章
主题: 统计理论 (math.ST) ; 计算 (stat.CO)
MSC 类: 91B06, 62C05
引用方式: arXiv:2412.05620 [math.ST]
  (或者 arXiv:2412.05620v2 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.2412.05620
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Somnath Mondal [查看电子邮件]
[v1] 星期六, 2024 年 12 月 7 日 11:22:44 UTC (1,386 KB)
[v2] 星期六, 2025 年 8 月 23 日 05:22:43 UTC (4,347 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2024-12
切换浏览方式为:
math
stat
stat.CO
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号