论文部分内容阅读
本文研究随机选择的排序集抽样,一般广义排序集抽样和极端排序集抽样Ⅱ这三种广义排序集抽样方法的设计优化问题。 首先,研究随机选择排序集抽样(MRSS),将其应用在指数分布和对数分布上,得到了两个分布下的MRSS均值估计的方差。然后,在指数分布下,与简单随机抽样(SRS)方法的均值估计的方差相比较;在对数分布下,与均值估计的R-C下界相比较,分别得到了MRSS方法的最优设计方案。证明了在一些情形下,MRSS的均值估计比SRS更实用,更有效。 其次,提出了一种新的广义排序集抽样(GRSS),给出了该抽样方法产生的样本均匀分布分位数的估计公式,与最优线性无偏估计(BLUE)分位数估计比较。给出了基于新方法和文献中的方法最小方差无偏估计(MVUE),简单估计(SE)和均衡排序集估计(RSS)这三种具体抽样方法的分位数估计公式,计算相应的方差和相关系数,证明了在估计均匀分布的分位数时,这种新的方法优于文献中的方法。 最后,对K元排序集抽样的一个特例极端排序集抽样Ⅱ(ERSS2)进行了符号秩检验,给出了该抽样方法的精确分布和大样本渐近分布,通过分析计算ERSS2对于简单随机抽样SRS的Pitman渐近相对效率,得出在排序花费不可忽略时,对小样本,在检验中位数时,ERSS2比RSS更有效,对于大样本的情形,ERSS2只优于SRS。