کاراترین برآوردگر cdf، pdf، تحت داده‌های سانسور فزاینده نوع دوم

هدف اصلی ما در این مقاله بدست آوردن کاراترین برآوردیاب تابع چگالی احتمال و تابع توزیع تجمعی، توزیع نمایی مبتنی بر داده های سانسور شده است که در آن داده های سانسور شده مورد نظر نتیجه حاصل از طرح نمونه گیری سانسور فزاینده نوع دوم می باشد. برآوردیاب های کلاسیک که در این مقاله مورد بررسی قرار می دهیم ، برآوردگر نااریب با کمترین واریانس به طور یکنواخت، برآوردگر درستنمایی ماکزیمم، برآورد حداقل مربعات، برآوردگر حداقل مربعات وزنی می باشند. معیار کارائی که در این مقاله مورد استفاده قرار گرفته، انتگرال میانگین توان دوم خطا بوده و چون به علت پیچیده بودن فرمول های محاسبه شده mise برآوردگرها ی ارائه شده برای مقایسه کارائی با برآورگرهای دیگر از روش های عددی استفاده می شود. در این صورت نتایج با استفاده از روش مونت کارلو و با تکرار 1000 شبیه سازی می شوند. در نهایت با استفاده از داده های واقعی برآوردگرهای پیشنهادی را مورد بررسی قرار می دهیم.

the most efficient estimator of cdf and pdf under progressive type- ii censored data

the main purpose of the present study is to obtain the most efficient estimator of probability density function (pdf) cumulative distribution function (cdf) and exponential distribution based on censored data in which the censored data is the result of the second type of progressive censor sampling design. the classical estimators that we examine in this study are the unequal estimator with the least uniform variance (umvue) the maximum likelihood estimator (mle) the least squares estimator (lse) and the weighted least squares estimator (wlse) the efficiency criterion employed in this article is the integral of the mean power of the second error. due to the complexity of the formulas calculated for mise، the proposed estimators use numerical methods to compare the performance of these estimators. in this case the results are simulated through the monte carlo (mc mc) method with 1000 iterations. finally، using real data، we examine the proposed estimators.