Ⅳ 设X与Y是相互独立的两个随机变量，且均服从参数为λ的指数分布，试求随机变量Z1=4X-3Y与Z2=3X+Y的协方差
由于X～E（λ），所以密度函数为f(x)＝λe?λx，x＞0 0，x≤0 ，分布函数为F(x)＝1?e?λx，x＞0 0，x≤0 ?EX＝1 λ ，DX＝1 λ2 ，所以A，B，C都不对．因为E(X+Y)＝2 λ ，E(X?Y)＝0，而max（X，Y）的分布函数不是F2(x)＝1?e?2λx，x＞0 0，x≤0 ，所以D对．事实上，min（X，Y）的分布函数为 P{min（X，Y）}≤x}=1-P{min（X，Y）}＞x}=1?P{X＞x，Y＞x}＝1?P{X＞x}P{Y＞x}＝1?[1?F(x)]2＝1?e?2λx，x＞0 0，x≤0 ．故选择：D．
Ⅳ 两个指数分布相加得到什么分布
f(z)=(αβ/(β-α))(exp(-αz)-exp(-βz))
分布相加得到的分布还是原来的分布。因为n个均匀分布随机变量相加得到的新的随机变量符合高斯分布，这叫中心极限定理。
指数分布与分布指数族的分类不同，后者是包含指数分布作为其成员之一的大类概率分布，也包括正态分布，二项分布，伽马分布，泊松分布等等。
指数函数的一个重要特征是无记忆性。这表示如果一个随机变量呈指数分布，当s、t>0时有P(T>t+s|T>t)=P(T>s)。即，如果T是某一元件的寿命，已知元件使用了t小时，它总共使用至少s+t小时的条件概率，与从开始使用时算起它使用至少s小时的概率相等。
(5)双参数指数分布扩展阅读：
指数分布虽然不能作为机械零件功能参数的分布规律，但是，它可以近似地作为高可靠性的复杂部件、机器或系统的失效分布模型，特别是在部件或机器的整机试验中得到广泛的应用。
指数分布的图形表面上看与幂律分布很相似，实际两者有极大不同，指数分布的收敛速度远快过幂律分布。
某种产品或零件经过一段时间t0的工作后，仍然如同新的产品一样，不影响以后的工作寿命值，或者说，经过一段时间t0的工作之后，该产品的寿命分布与原来还未工作时的寿命分布相同。
显然，指数分布的这种特性，与机械零件的疲劳、磨损、腐蚀、蠕变等损伤过程的实际情况是完全矛盾的，它违背了产品损伤累积和老化这一过程。所以，指数分布不能作为机械零件功能参数的分布形式。
Ⅵ 但是指数分布的概率密度参数及其表达式我见过两种版本的，λ*exp（-λx）版和1/θ*exp（-x/θ）,不一样啊
前面的是古代的
后面的才是现代的指数分布。
其实并没有质的区别，
只是后面的概率密度函数更加好使，学到了随机变量的数字特征这一章你就会明白了
Ⅶ 设某种电子元件的寿命T服从双参数的指数分布,其概率密度为f(t)=(1/θ)e^-(t-c)θ，t>=c,
（1）θ与c的矩估计量
令x=t-c,则x服从参数为θ的标准指数分布,因此Ex=θ,Dx=θ^版2
Ex=Et-c=θ--->c=Et-θ=X'-θ
Dx=Dt=S^2=θ^2-->θ=(Dx)^(1/2)=S
所以矩估计量权c=X'-θ=X'-S,θ=S
2)θ与c的极大似然估计量
极大似然函数L(θ,c)=(1/θ^n)e^(-n(X'-c)/θ)
对c求导后c消失，求导法无效，因为c<x1<=x2<=...<=xn,故c=x1为c的极大似然估计量。
对θ求导，并令导数为零，可解出θ=X'-c=X'-x1
Ⅷ 怎么利用r语言做em算法估计混合双参数指数分布的数值模拟
建议你先看一下这本书:
Modeling Survival Data Using Frailty Models
chap 2. Some Parametric Methods
2.1 Introction . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Exponential Distribution . . . . . . . . . . . . . . . . . . . 20
2.3 Weibull Distribution . . . . . . . . . . . . . . . . . . . . . 21
2.4 Extreme Value Distributions . . . . . . . . . . . . . . . . 23
2.5 Lognormal . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Loglogistic . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.8 Maximum Likelihood Estimation . . . . . . . . . . . . . 30
2.9 Parametric Regression Models
chap 6. Estimation Methods for Shared Frailty Models
6.1 Introction . . . . . . . . . . . . . . . . . . . . . . . . . 105
6.2 Inference for the Shared Frailty Model . . . . . . . . . . 106
6.3 The EM Algorithm . . . . . . . . . . . . . . . . . . . . . . . 108
6.4 The Gamma Frailty Model . . . . . . . . . . . . . . . . . . . 110
6.5 The Positive Stable Frailty Model . . . . . . . . . . . . . . 111
6.6 The Lognormal Frailty Model . . . . . . . . . . . . . . . . . 113
6.6.1 Application to Seizure Data . . . . . . . . . . . . . . . 113
6.7 Modified EM (MEM) Algorithm for Gamma Frailty Models 114
6.8 Application
然后用最基本的package "survival"
并参考你的模型可能用到的一些functions:
survreg(formula, data, weights, subset,na.action, dist="weibull",....)
survreg.distributions include "weibull", "exponential", "gaussian",
"logistic","lognormal" and "loglogistic"
frailty(x, distribution="gamma", ...)
distribution: either the gamma, gaussian or t distribution may be specified.
frailty.gamma(x, sparse = (nclass > 5), theta, df, eps = 1e-05,
method = c("em","aic", "df", "fixed"),...)
