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 > stat > arXiv:2507.15057

帮助 | 高级搜索

统计学 > 方法论

arXiv:2507.15057 (stat)
[提交于 2025年7月20日 ]

标题: 关于加权熵生成函数

标题: On Weighted Entropy Generating Function

Authors:Smitha S., Mary Andrewsa, Sudheesh K. Kattumannil
摘要: 在本文中,我们研究加权熵生成函数(WEGF)的性质。 我们还引入了加权剩余熵生成函数(WREGF),并基于其与风险率和均值剩余寿命函数的联系建立了一些表征结果。 此外,我们提出了两个由WREGF导出的新生命分布类。 我们还研究了WREGF的非参数估计。 基于熵表征,开发了一个用于帕累托I型分布的非参数检验。 为了评估检验统计量的性能,我们进行了一项广泛的蒙特卡洛模拟研究。 最后,我们将所提出的方法应用于两个实际生活数据集。
摘要: In this paper, we study the properties of the weighted entropy generating function (WEGF). We also introduce the weighted residual entropy generating function (WREGF) and establish some characterization results based on its connections with the hazard rate and the mean residual life function. Furthermore, we propose two new classes of life distributions derived from WREGF. We also study the non-parametric estimation of WREGF. A non-parametric test for the Pareto type I distribution is developed based on entropy characterization. To evaluate the performance of the test statistics, we conduct an extensive Monte Carlo simulation study. Finally, we apply the proposed method to two real-life datasets.
主题: 方法论 (stat.ME)
引用方式: arXiv:2507.15057 [stat.ME]
  (或者 arXiv:2507.15057v1 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.15057
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Kattumannil Sudheesh Dr [查看电子邮件]
[v1] 星期日, 2025 年 7 月 20 日 17:36:10 UTC (53 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:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
stat

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