fa استنباط بیزی و کلاسیک در توزیع نمایی دو پارامتری با داده‌های سانسور شده تصادفی تخصصي Special كاربردي Applicable <span style="color:black;"><span style="font-family:Yas;"><span style="font-size:14.0pt;">اچ. کریشنا و ان. گل</span></span></span><br> <span style="color:black;"><span style="font-family:Yas;"><span style="font-size:14.0pt;">مترجم: فاطمه گودرزی معصومی </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Yas;"></span></span></span><br> <span style="color:black;"><span style="font-family:Yas;">دانشگاه پیام نور تهران</span></span><br> <strong><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;">چکیده:</span></span></span></strong><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;"> در این مقاله پارامترهای مکان و مقیاس توزیع نمایی دو پارامتری به روش بیزی و کلاسیک با داده‌های سانسور تصادفی براورد می‌شود. با توجه به اهمیت پارامتر مکانی، در زمان سانسور توزیع‌های نمایی دو پارامتری با پارامتر مکانی یکسان ولی پارامتر مقیاس مختلف در نظر گرفته می‌شود. از آنجایی که تاکنون استنباط درباره پارامتر مکان با داده سانسور تصادفی مورد بحث قرار نگرفته، برازش و استفاده از توزیع نمایی در بازه (۰و بینهایت)</span></span></span><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;">&nbsp;به ویژه هنگامی که حداقل مشاهدات در مجموعه داده‌ها به طور قابل توجهی بزرگ است، تخمین‌هایی به مراتب دقیق‌تر ارائه می‌دهد. بنابراین در ابتدا براورد ماکسیمم درستنمایی، واریانس و فاصله اطمینان مجانبی پارامترها ارائه و در ادامه برخی دیگر از روش‌های براورد کلاسیک از جمله روش گشتاوری، </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;">L</span></span></span></span> <span dir="LTR"><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;">-</span></span></span></span><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;"> گشتاور و کمترین مربعات نیز به کار گرفته می‌شود. سپس برآورد بیزی پارامترها با استفاده از نمونه‌گیری گیبس تحت تابع زیان آنتروپی تعمیم‌یافته با توزیع پیشین گاما معکوس و فواصل اطمینان </span></span></span><span dir="LTR"><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;">HPD</span></span></span></span><span style="color:black;"><span style="font-family:Yas;"><span style="font-size:11.0pt;"> مورد بحث قرار می‌گیرد. در ادامه برخی از قابلیت اطمینان و ویژگی‌های تجربی براوردگرها با استفاده از یک مطالعه شبیه‌سازی مونت کارلو مقایسه و براورد کارا پیشنهاد می‌شود. در پایان دو نمونه داده واقعی برای نشان دادن اهمیت پارامتر مکان آورده شده است.</span></span></span><br> &nbsp; <strong>Abstract.</strong> This paper deals with the classical and Bayesian estimation for two parameter exponential distribution having scale and location parameters with randomly censored data. The censoring time is also assumed to follow a two parameter exponential distribution with different scale but same location parameter. The main stress is on the location parameter in this paper. This parameter has not yet been studied with random censoring in literature. Fitting and using exponential distribution on the range (0,&infin;), specially when the minimum observation in the data set is significantly large, will give estimates far from accurate. First we obtain the maximum likelihood estimates of the unknown parameters with their variances and asymptotic confidence intervals. Some other classical methods of estimation such as method of moment, L-moments and least squares are also employed. Next, we discuss the Bayesian estimation of the unknown parameters using Gibbs sampling procedures under generalized entropy loss function with inverted gamma priors and Highest Posterior Density credible intervals. We also consider some reliability and experimental characteristics and their estimates. A Monte Carlo simulation study is performed to compare the proposed estimates. Two real data examples are given to illustrate the importance of the location parameter.<br> &nbsp; سانسور تصادفی؛ برآورد ماکسیمم درستنمایی؛ براورد بیزی؛ قابلیت اطمینان و ویژگی‌های تجربی. Random censoring, maximum likelihood estimation, Bayes estimation, reliability and experimental characteristics. 569 602 http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-193-2&slc_lang=fa&sid=1 Fatemeh Goodarzi Masoumi فاطمه گودرزی معصومی Smasoumi92@yahoo.com 10031947532846001069 10031947532846001069 Yes