数据处理是科学和社会研究的重要手段之一,也是统计工作中不可或缺的环节.现实生活中由于各种原因,例如为了满足经济性和时效性方面的要求,或者是在数据调查和保存过程中出现了失误,处理数据的时候经常会遇到数据不完全的情况.不完全数据并不能用传统的完整数据处理方法去分析,并且异常值的存在会对样本产生污染,影响人们进行判断和做出决策,造成经济上的损失.因此,人们需要通过特殊的方式对不完全数据进行处理,在提取其中有用信息的同时,尽量减少异常值的影响.本文以可靠性统计中最基础也是最常见的指数分布为例,分析讨论了其在不完全数据场合的总体参数估计问题.研究内容主要集中在以下两个方面:第一,介绍了定数截尾试验场合对指数分布总体参数θ的极大似然估计,考虑到定数截尾试验对数据上的要求有时候并不能得到满足,因此在分析了指数分布次序统计量的性质后,利用次序统计量构造出了总体参数θ的一类无偏估计量.该方法可以基于任意个数的次序统计量进行构造,可有效应对数据缺失的场合.同时在与定数截尾试验场合θ的极大似然估计进行对比后,得出定数截尾试验场合θ的极大似然估计是该方法构造的无偏统计量的一种特殊情况.第二,研究了不完全数据场合指数分布参数置信区间的构造问题,首先利用样本中位数和另一个样本分位数构造了枢轴量Z,并且推导出Z的精确的概率密度函数,以此可进行总体参数λ的置信区间的计算.最后给出了大样本情况下Z的近似分布和λ的近似置信区间.