From Table 1, the following observa

From Table 1, the following observations can be made on the performance of

the shape parameter θ estimations of EGpz (λ, α, θ) distribution, when ߙ and ߣ are

known:

1. As the sample size increases the ARBias's and RRMSE's of the estimated θ

decrease in almost of the times.

2. In the context of computational complexities, UBE, MLE and PCE are easiest to

compute. They do not involve any non-linear equation solving, whereas the MME,

LSE and WLSE involve solving non-linear equations and they need to be calculated

by some iterative processes.

3. Comparing all the methods, we conclude that for known ߙ and ߣ ,the UBE should

be used for estimating  .

4. As far as ARBias's are concerned, the WLSE is a good estimator of  after the

UBE.

5. As far as RRMSE's are concerned, the MLE is a best estimator of  after the

UBE when θ്1, whereas the MME is a good estimator of  when θ ൌ 1.

6. The MME is a worse estimator of  when θ ൏ 1.

ผลลัพธ์ (ไทย) 1:

จากตารางที่ 1 ข้อสังเกตต่อไปนี้ที่สามารถทำได้ประสิทธิภาพการทำงานของการประเมินค่าθพารามิเตอร์รูปร่างของการกระจาย EGpz (ค่าθ λ α) เมื่อߙและߣรู้จักกัน:1. เป็นตัวอย่าง ขนาดเพิ่มขึ้นของ ARBias และ RRMSE ของค่าθโดยประมาณลดลงเกือบครั้ง2. ในบริบทของความซับซ้อนเชิงคำนวณ UBE, MLE และ PCE ง่ายที่สุดคำนวณ พวกเขาไม่เกี่ยวข้องกับใด ๆ สมการเชิงเส้นการแก้ ในขณะที่ MMEแอลเอสอีและ WLSE เกี่ยวข้องกับการแก้สมการเชิงเส้น และการคำนวณโดยใช้กระบวนการบางอย่างซ้ำ3. การเปรียบเทียบวิธีการทั้งหมด เราสรุปว่า รู้จักߙและߣ UBE ที่ควรสามารถใช้สำหรับการประเมิน4. มีความกังวลของ ARBias, WLSE เป็นการประมาณที่ดีของหลังการอุเบะ5. ของ RRMSE มีความกังวล พื้นฐานการเป็นประมาณการที่ดีที่สุดของหลังการอุเบะเมื่อ θ്1, MME เป็น การประมาณที่ดีของเมื่อൌค่าθ 16. MME เป็นประมาณการแย่ลงของเมื่อค่าθ൏ 1

ผลลัพธ์ (ไทย) 2:

จากตารางที่ 1 การสังเกตดังต่อไปนี้สามารถทำในการปฏิบัติงานของพารามิเตอร์รูปร่างθประมาณการของ EGpz (λ, α, θ) การกระจายตัวเมื่อߙและߣจะรู้จักกันในนาม: 1 ในฐานะที่เป็นกลุ่มตัวอย่างขนาดที่เพิ่มขึ้นของ ARBias และของประมาณθ RRMSE ลดลงในเกือบทุกครั้งที่. 2 ในบริบทของความซับซ้อนคำนวณ, UBE, เอมิลี่และ PCE เป็นง่ายที่สุดในการคำนวณ พวกเขาไม่ได้เกี่ยวข้องกับการใด ๆ การแก้สมการไม่เชิงเส้นในขณะที่ MME, LSE และ WLSE เกี่ยวข้องกับการแก้สมการไม่เชิงเส้นและพวกเขาต้องได้รับการคำนวณโดยกระบวนการซ้ำบาง. 3 การเปรียบเทียบวิธีการทั้งหมดที่เราสรุปได้ว่าสำหรับเป็นที่รู้จักและߙߣที่ UBE ควรนำมาใช้สำหรับการประเมิน. 4 เท่าที่เป็นของ ARBias มีความกังวล, WLSE เป็นประมาณการที่ดีของหลังจากที่บริษัท อูเบะ. 5 เท่าที่เป็นของ RRMSE มีความกังวล, เอมิลี่เป็นประมาณการที่ดีที่สุดของหลังจากที่บริษัท อูเบะเมื่อθ് 1 ในขณะที่ MME เป็นประมาณการที่ดีของเมื่อθൌ 1. 6 ขาย MME เป็นประมาณการที่เลวร้ายของเมื่อθ൏ 1

ผลลัพธ์ (ไทย) 3:

จากตารางที่ 1 สังเกตต่อไปนี้สามารถทำในการปฏิบัติงานของรูปร่างθพารามิเตอร์การ egpz ( λα , , การθ ) เมื่อߙߣเป็นและรู้จัก :1 . เมื่อขนาดตัวอย่างเพิ่มขึ้น arbias และ rrmse ของθโดยประมาณลดลงในเกือบทุกครั้ง2 . ในบริบทของคอมพิวเตอร์วิสัยทัศน์ Ube , mle PCE จะง่ายที่สุดและคอมพิวเตอร์ พวกเขาไม่เกี่ยวข้องกับการแก้สมการแบบไม่เชิงเส้นและ Mme , ,และเกี่ยวข้องกับการ wlse ลอนดอนสมการไม่เชิงเส้นและพวกเขาจะต้องถูกคำนวณโดยบางส่วนของกระบวนการ3 . การเปรียบเทียบวิธีการทั้งหมดสรุปได้ว่า สำหรับߙรู้จักและߣ , Ube ควรจะใช้สำหรับการ .4 . เท่าที่ arbias ก็มีความกังวล wlse เป็นประมาณการที่ดีของหลังจากUbe .5 . เท่าที่ rrmse เป็นกังวล , mle เป็นประมาณการของหลังที่ดีที่สุดUbe เมื่อθ് 1 ส่วน Mme เป็นประมาณการของเมื่อθൌ 16 . ที่ถึงเวลาเป็นประมาณการด้อยเมื่อθ൏ 1