PERODLS D方法：混合分布下正态参数的稳健估计

本文主要探讨了在信息技术领域的一项重要研究，即如何利用结构划分-Perodls D方法对正态分布参数进行稳健估计。传统的统计方法如最大似然法(ML)和Huber's方法在处理非齐次数据集时，当观测值的实际分布复杂，由两个或更多个分布组成（即混合分布）时，可能会导致正态分布参数估计的偏差，特别是在存在粗略误差的情况下。这些方法可能夸大了正态分布的方差估计。 论文参考了Hald A. (1949)和Arango-Castillo L.以及Takahara G. (2018)的研究，他们都在非均匀样本处理上进行了有益的工作。然而，作者发现现有的稳健方法并未充分考虑到混合分布特性，这可能导致在实际应用中的不准确性。 为了解决这一问题，作者Gligorije Perović提出了PEROBLS D方法。该方法的独特之处在于它不仅考虑了污染率（即异常值的比例），还同时估计了混合分布中各个成分的参数。这种方法基于图克扬混合分布模型，旨在提供更精确的参数估计，尤其是对于基本正态分布参数的估计，从而避免了过度估计偏差。 PERODLS D方法的创新性体现在其结构化分析和估计策略，它能够在处理复杂分布情况时提供更加稳健的结果。这项研究发表在《美国计算数学杂志》(American Journal of Computational Mathematics)上，2019年的第九卷，第302-316页，具有在线ISSN 2161-1211和印刷版ISSN 2161-1203，DOI为10.4236/ajcm.2019.94022，于2019年12月17日发布。 这篇论文为IT行业提供了提升正态分布参数估计准确性和鲁棒性的新工具，尤其是在处理含有混合分布特征的数据集时，这对于数据分析和模型建立具有重要意义。对于从事统计建模、机器学习或者数据质量控制的专业人士来说，理解和应用PERODLS D方法将有助于提高他们的研究和实践能力。