二次等距抽样

本文提出了一种二次等距抽样方法,并提出了总体平均值的一个估计量：拼配部分的比型估计与轮换部分的样本均值的加权平均。当样本量较大时,求出了估计量的方差及最优轮换比．并对特殊情形进行了讨论和数值比较．     

乌兰布和沙漠天然白刺适应性群团抽样技术的研究

以乌兰布和沙漠地区天然白刺为具体研究对象,对不同抽样方法获取的数据进行了分析.研究结果表明,当适应性标准大于等于占位单元平均数时,适应性群团抽样比简单随机抽样更有效,并且可以保证估计精度;初始抽样比例越大,总体均值估计值和抽样相对效率越稳定.在该研究区域采用二阶适应性群团抽样,可以达到估计精度,但与简单随机抽样和适应性群团抽样相比效率偏低.     

竹小蜂幼虫空间分布型及抽样技术研究

竹小蜂幼虫空间分布型属于负二项分布;聚集度各指标测定结果表明,幼虫是聚集分布;经测定M^*=6．2836 0．3028^ˉx,屑于聚集分布。并用刀切法和F偏离度检验法对M^*进行了估计和检验测定为聚集分布。中分析并计算了林间调查的理论抽样数和序贯抽样决策,为今后该虫林间调查与防治提供了科学的依据。     

生物群落多样性的测度方法Ⅵ:与多样性测度有关的统计问题

物种多样性测度是(群落的)总体参数,它们常常是未知的,需要通过抽样将它们估计出来,因此,必须了解估计量的抽样性质.本文对与一些多样性测度的均值、方差的估计和假设检验以及大、小样本分布等有关的问题作了综述.可以看出大多数多样性测度的抽样性质还不清楚,有些甚至根本就没有研究过.Pielou的合并样方法和刀切法是两个比较通用的方法,用它们可以解决其中的一些问题.但相比之下,刀切法更实用.     

生物群落多样性的测度方法VI：与多样性测度有关的统计问题

物种多样性测度是（群落的）总体参数,它们常常是未知的,需要通过抽样将它们估计出来,因此,必须了解估计量的抽样性质。本文对与一些多样性测度的均值、方差的估计和假设检验以及大、小样本分布等有关的问题作了综述。可以看出大多数多样性测度的抽样性质还不清楚,有些甚至根本就没有研究过。Ｐｉｅｌｏｕ的合并样方法和刀切法是两个比较通用的方法,用它们可以解决其中的一些问题。但相比之下,刀切法更实用。     

两阶抽样中比率型估计量的平均精度

本文给出了两阶抽样中总体均值的比率型估计量的平均精度,它当样本容量充分大时主项不劣于无偏估计量的平均精度．     

龙眼角颊木虱若虫空间分布型及抽样技术初探

应用6种聚集度指标对龙眼角颊木虱若虫的空间分布型及抽样技术进行研究,结果表明：角颊木虱若虫分布型属于聚集分布,生产上采用五点式取样为宜。运用Iwao的m＊-m直线回归方程建立了Kuno理论抽样数模型,田间理论抽样数可用Tn=4．030／（D^2-0．394／n）来估计。     

三化螟为害水稻白穗空间分布型及其应用

本研究探讨了水稻三化螟白穗空间分布格局和抽样技术,为该虫害的监测预报和有效防控提供参考.选取9块水稻田逐丛调查资料,应用6种聚集度指标、 Iwao的m~*—m回归分析法和Taytor幂法则,研究三化螟白穗的空间分布型和抽样技术.结果表明,三化螟白穗在水稻田呈聚集分布,分布的基本成分为个体间相互吸引,其聚集度是随着密度的增加而升高.在此基础上,采用Iwao法确定了三化螟白穗的田间最适理论抽样公式;田间调查时,可用白穗丛率估计白穗种群密度,其公式为■.所建立的理论抽样公式和简易估计公式可在三化螟白穗调查、监测预报和科学防控中推广应用.     

多变点模型的检验和估计及其性质

对于可能含有多个变点的模型,本文讨论了关于变点的检验和估计问题,并给出了具体的检验和估计方法．我们还推导了估计的相合性．文中指出即使在总体分布未知的情况下,本文所给的检验和估计仍显示出较好的性质．     

棉田玉米螟卵的空间分布及抽样技术

本通过采用平均拥挤度的概念和聚集性指标。运用随机分布的偏离度假设测验。对玉米螟Ostrlnia funacalis(Guenee)在棉田的空间格局进行了系统的研究．以聚集度和格局纹理描述了卵的不同密度在棉田的分布变化过程及分布特征．得出江苏沿江．沿海棉区二代玉米螟在棉田内为聚集分布。服从Neyman A概型的核心分布;三代卵在百株25块以下的密度为随机分布。服从Poisson分布。而在高于百株25块的密度下则为聚集分布。并根据分布型计算出理论抽样和抽样单位大小．从获得的资料中建立了预测模式：二代：m↑^=1．2167[-ln(1-P)]^1.0173r=0．9966三代：m↑^=1.1263[-ln(1-P)]^1.2423r=0．9871用有卵样点率(P)简单估计田间卵的平均密度(m^)为研究测定棉花受害损失、决定防治策略和指标提供了依据。     

An estimator of number of species from quadrat sampling

We consider the problem of estimating the number of distinct species S in a study area from the recorded presence or absence of species in each of a sample of quadrats. A generalized jackknife estimator of S is derived, along with an estimate of its variance. It is compared with the jackknife estimator for S proposed by Heltshe and Forrester and the empirical Bayes estimator of Mingoti and Meeden. We show that the empirical Bayes estimator has the form of a generalized jackknife estimator under a specific model for species distribution. We compare the new estimators of S to the empirical Bayes estimator via simulation. We characterize circumstances under which each is superior.     

Estimation of Difference of Population Means with Missing Observations

Sampling strategies for estimating difference of population means are proposed. The original sample is fragmented into three subsamples. The use of a purposive device permits to measure only one of the variables in two samples. Bootstrap procedures are employed to evaluate distribution of the errors of estimators.     

A Product-Type Estimator in Double Sampling

The use of ratio and product estimators, using auxiliary information, for estimating the mean of a finite population is well known. The efficiency of ratio estimator or product estimator is high depending on whether the auxiliary character is highly positively or negatively coorelated with the main character of interest. This paper proposes a product-type estimator which is more efficient than the usual ratio and product estimators in practical situations. We consider the case of double sampling from which the single sampling results may easily be derived.     

Small Sample Bias and Variance of Lincoln-Petersen and Bailey Estimators

The Lincoln-Petersen and Bailey estimators of an unknown population size were compared in a computer simulation of capture-recapture sampling with replacement from small populations. The Bailey estimator was negatively biased and had smaller variance than the Petersen estimator. The Petersen estimator tended to be positively biased. The Lincoln-Petersen variance estimator tended to be positively biased while the Bailey variance estimator was negatively biased.