Any statistical analysis depends gr

Any statistical analysis depends greatly on the statistical model used to represent the phenomena under study. Hence, the larger the class of statistical models available to the statistician the easier it is to choose a model. A quick survey of the models in common use reveals the abundance of statistical models in the literature. However, data of many important and practical problems do not follow any of the probability models available. In such cases a non-parametric model may be recommended. Although a two parameter distribution may provide reasonably precision in fitting data, it may be still desirable to extend the flexibility of any distribution to allow for better description of data without having to resort to non-parametric models. Since there is a clear need for extended forms of these distributions, a significant progress has been made toward the generalization of some well-known distributions and their successful applications to problems in areas such as engineering, finance, economics and biomedical sciences, among others. An interesting idea of generalizing a distribution, known in the literature as Marshall and Olkin (M–O) extended distribution. In [1], a new method of adding a parameter into a family of distributions was introduced and studied. The resulting distribution, known as M–O extended distribution, includes the baseline distribution as a special case and gives more flexibility to model various types of data. According to [1], if View the MathML source denotes the survival function (sf) of a continuous random variable X, then the timely honored device of adding a new parameter results in another sf View the MathML source defined by

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ทางสถิติมากขึ้นอยู่กับแบบจำลองทางสถิติที่ใช้ในการแสดงปรากฏการณ์การศึกษา ชั้นใหญ่ของโมเดลทางสถิติสามารถ statistician ได้ง่ายจึงสามารถเลือกแบบ อย่างรวดเร็วสำรวจรุ่นร่วมเผยใช้ความอุดมสมบูรณ์ของโมเดลทางสถิติในวรรณคดี อย่างไรก็ตาม ข้อมูลของปัญหาสำคัญ และเป็นประโยชน์มากมายไม่ทำตามมีความน่าเป็นรุ่นใดก็ ในกรณีดังกล่าว อาจจะแนะนำแบบที่ไม่ใช่พาราเมตริก แม้ว่าการกระจายสองพารามิเตอร์อาจให้สมเหตุสมผลความแม่นยำในข้อมูลที่เหมาะสม มันอาจยังคงต้องการขยายความยืดหยุ่นในการแจกจ่ายใด ๆ เพื่อให้คำอธิบายที่ดีของข้อมูล โดยไม่ต้องการรุ่นที่ไม่ใช่พาราเมตริก เนื่องจากมีความชัดเจน ต้องการขยายรูปแบบการกระจายเหล่านี้ ได้มีความคืบหน้าไปทางลักษณะทั่วไปของการกระจายบางรู้จักและโปรแกรมประยุกต์ของตนประสบความสำเร็จปัญหาในพื้นที่เช่นวิศวกรรม การเงิน เศรษฐศาสตร์ และ วิทยาศาสตร์ชีวการแพทย์ อื่น ๆ ความคิดที่น่าสนใจของการกระจาย ที่รู้จักกันในวรรณคดีเป็นมาร์แชลล์และ Olkin (M – O) ขยายกระจาย generalizing ใน [1], วิธีการใหม่ของการเพิ่มพารามิเตอร์ลงในครอบครัวของการกระจายถูกนำมาใช้ และศึกษา การกระจายผล เรียกว่า M – O ขยายกระจาย มีการกระจายข้อมูลพื้นฐานเป็นกรณีพิเศษ และให้ความยืดหยุ่นแบบข้อมูลชนิดต่าง ๆ ตาม [1], ถ้าดูแหล่ง MathML แสดงฟังก์ชันการอยู่รอด (sf) ของตัวแปรสุ่มต่อเนื่อง X จากนั้นในเวลาที่เหมาะสมเกียรติอุปกรณ์การเพิ่ม ผลลัพธ์พารามิเตอร์ใหม่ใน sf อีกดูแหล่ง MathML ที่กำหนดโดย

ผลลัพธ์ (ไทย) 2:

การวิเคราะห์ทางสถิติใด ๆ ขึ้นอยู่มากในแบบจำลองทางสถิติที่ใช้ในการเป็นตัวแทนของปรากฏการณ์ภายใต้การศึกษา ดังนั้นที่มีขนาดใหญ่ระดับของแบบจำลองทางสถิติที่มีให้สถิติที่ง่ายขึ้นก็คือการเลือกรูปแบบ การสำรวจอย่างรวดเร็วของรูปแบบในการใช้งานทั่วไปเผยให้เห็นความอุดมสมบูรณ์ของแบบจำลองทางสถิติในวรรณคดีที่ อย่างไรก็ตามข้อมูลที่สำคัญของปัญหาและการปฏิบัติจำนวนมากไม่ได้ทำตามความน่าจะเป็นรุ่นที่มีอยู่ ในกรณีดังกล่าวเป็นรูปแบบที่ไม่ใช่พาราอาจจะแนะนำ แม้ว่าการกระจายสองพารามิเตอร์อาจให้ความแม่นยำพอสมควรในการปรับข้อมูลก็อาจจะยังคงเป็นที่น่าพอใจที่จะขยายความยืดหยุ่นของการกระจายใด ๆ เพื่อให้คำอธิบายที่ดีขึ้นของข้อมูลได้โดยไม่ต้องหันไปใช้รุ่นที่ไม่ใช่พารา เนื่องจากมีความจำเป็นที่ชัดเจนสำหรับรูปแบบของการกระจายขยายเหล่านี้เป็นความก้าวหน้าที่สำคัญได้รับการทำที่มีต่อลักษณะทั่วไปของบางส่วนกระจายที่รู้จักกันดีและการใช้งานที่ประสบความสำเร็จของพวกเขาในการแก้ไขปัญหาในพื้นที่เช่นวิศวกรรมการเงินเศรษฐศาสตร์และวิทยาศาสตร์ชีวการแพทย์อื่น ๆ ในกลุ่ม เป็นความคิดที่น่าสนใจของ generalizing การกระจายหรือที่รู้จักกันในวรรณคดีการกระจายมาร์แชลล์และ Olkin (M-O) ขยาย ใน [1], วิธีการใหม่ของการเพิ่มพารามิเตอร์ในครอบครัวของดิได้รับการแนะนำและการศึกษา การกระจายส่งผลให้เป็นที่รู้จักกระจายขยาย M-O, รวมถึงการกระจายพื้นฐานเป็นกรณีพิเศษและให้ความยืดหยุ่นมากขึ้นในการจำลองข้อมูลชนิดต่างๆ ตามที่ [1] ถ้าดูแหล่งที่มา MathML หมายถึงฟังก์ชั่นการอยู่รอด (SF) ของอย่างต่อเนื่องตัวแปรสุ่ม X แล้วอุปกรณ์ที่ได้รับเกียรติในเวลาที่เหมาะสมของการเพิ่มผลพารามิเตอร์ใหม่ในอีก SF ดูแหล่งที่มา MathML กำหนดโดย

ผลลัพธ์ (ไทย) 3:

มีสถิติที่ใช้ในการวิเคราะห์ข้อมูลทางสถิติใช้จะขึ้นอยู่กับรูปแบบของปรากฏการณ์ที่ศึกษา ดังนั้น มีชั้นของแบบจำลองทางสถิติใช้ได้กับนักสถิติได้ง่ายขึ้นก็คือการเลือกรุ่น การสำรวจอย่างรวดเร็วของรูปแบบในการใช้โดยทั่วไปพบความอุดมสมบูรณ์ของแบบจำลองทางสถิติในวรรณคดี อย่างไรก็ตาม ปัญหาสำคัญของข้อมูลและการปฏิบัติหลาย ไม่ ปฏิบัติ ตาม ใด ๆน่าจะเป็นรุ่นที่ใช้ได้ ในบางกรณีที่ไม่ใช่พารามิเตอร์ของแบบจำลองอาจจะแนะนำ แม้ว่าการกระจายเป็นสองพารามิเตอร์อาจให้เหตุผลที่แม่นยำในข้อมูลที่เหมาะสม มันอาจจะยังต้องการเพิ่มความยืดหยุ่นของการกระจายใด ๆเพื่อให้รายละเอียดที่ดีของข้อมูลโดยไม่ต้องรีสอร์ทเพื่อไม่แบบพาราเมตริก . เนื่องจากมีความต้องการที่ชัดเจนสำหรับการขยายรูปแบบของการแจกแจงเหล่านี้ ทำให้มีความคืบหน้าอย่างมีนัยสำคัญต่อการกระจายและการประยุกต์ใช้ที่ประสบความสำเร็จของที่รู้จักกันดีบางอย่างของปัญหาในพื้นที่ เช่น วิศวกรรม การเงิน เศรษฐศาสตร์และวิทยาศาสตร์ชีวการแพทย์ , หมู่คนอื่น ๆ . ความคิดที่น่าสนใจของ Generalizing กระจายหรือที่รู้จักกันในวรรณคดี เช่น มาร์แชล olkin ( M ) O ) ขยายการกระจายสินค้า ใน [ 1 ] เป็นวิธีใหม่ของการเพิ่มพารามิเตอร์ในครอบครัวของการแนะนำและการศึกษา ทำให้กระจาย , ที่รู้จักกันเป็น M ) O ขยายกระจาย รวมถึงการรักษาเป็นกรณีพิเศษ และให้ความยืดหยุ่นมากขึ้นรูปแบบประเภทต่างๆของข้อมูล ตาม [ 1 ] ถ้าดู MathML แหล่งหมายถึงฟังก์ชันการอยู่รอด ( SF ) ต่อเนื่องตัวแปรสุ่ม X แล้วทันเวลาเกียรติอุปกรณ์เพิ่มพารามิเตอร์ผลใหม่อีก SF ดู MathML แหล่ง กําหนดโดย