关于概率广义密度函数的引入

<正> 设X 是给定概率空间(Ω,μ,P)上的随机变量.对于连续型随机变量X,其分布函数为F(x)=P(X≤x),并已引入可积函数为其密度函数.本文将对离散型随机变量X 引入广义函数作为密度函数,并把可积函数作为广望函数的特例.这对各型随机变量统一在该概率空间上的研究,将是有意义的.     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量y干扰.只有当X≥y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g(x),√n∫f9(x)[dFn(x)-dF(x)]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量Y干扰.只有当X≥Y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g（x）,n~（1/2）∫g（x）[dFn（x）-dF（x）]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

依概率收敛与依分布收敛的关系

本文探讨了随机变量序列依概率收敛与依分布收敛的关系 ,并给出了一个依分布收敛能保证依概率收敛的最弱的条件 ,即 :设分布函数列 { Fn(x) }弱收敛于连续的分布函数 F(x) ,则存在随机变量序列{ξn}和随机变量ξ,它们分别以 { Fn(x) }和 F(x)为其对应的分布函数列和分布函数 ,且 {ξn}依概率收敛于ξ.     

依概率收敛与依分布收敛的关系

本探讨了随机变量序列依概率收敛与依分布收敛的关系,并给出了一个依分布收敛能保证依概率收敛的最弱的条件,即：设分布函数列{Fn（x）}弱收敛于连续的分布函数F(x),则存在随机变量序列{ξn}和随机变量ξ,它们分别以{Fn（x）}和F（x）为其对应的分布函数和分面函数,且{ξn}依概率收敛于ξ。     

计算机产生随机数的方法

2003年中华人民共和国教育部颁布的《普通高中数学课程标准(实验稿)》在必修3中增加了“了解随机数的意义,能运用模拟方法估计概率”的内容,那么什么是随机数?计算机中的随机数是如何产生的?1随机数与伪随机数设随机变量η的分布函数为F(x),则称随机变量η的随机抽样序列{ηi}为分布函数F(x)的随机数.事实上,随机数{ηi}就是随机变量η的观测值,或者说是来自随机变量η的样本.随机数一定是相对某一个确定分布而言的.若随机变量η服从正态分布N(μ,σ2),则称来自η的随机抽样序列{ηi}为正态分布随机数;若随机变量η服从[0,1]区间上均匀分…     

一类指数鞅的一致可积性(英文)

若(Ω,P)为完备概率空间,为的递增子口域族,且满足通常条件,b≤∞。又W={W_t,0≤t相似文献   

第七讲 统计函数的计算

本讲介绍常用随机变量的密度函数、分布函数和分位数的计算方去,包括正态、x2、t、F、二项、泊松等分布. 中国科学院计算中心概率统计组编著的《概率统计计算》第二章(科学出版社,1979)曾介绍过这些统计函数的计算方去,并给出了计算程序,它们适用于一般的精度.本讲介绍的方法有较高的精度,通常不低于10-12.这也是编制国家标准 GB4086-83 《统计分布数值表》所使用的方法,内容由该标准的主要起草人魏公毅、杨自强(中国科学院计算中心)提供. 卜.记号 设g是连续型随机变量,其密度函数记为/(X;9),其中X为自变量,9为参数,参数可以是多于一个,如…     

一类Kaplan-Meier估计泛函的一些大样本性质

设F,G分别表示某寿命随机变量与删失随机变量的分布函数,在不假定F、G连续的情况下该文使用点过程鞅方法证明了Kaplan－Meier估计的一类泛函的渐近正态性,并建立了一个均方误差不等式和一个概率不等式．     

模糊密度随机变量的数学描述

研究了由于概率密度函数的模糊性而引起的模糊概率随机变量问题。给出了区间密度函数、模糊密度函数、模糊密度随机变量及其分布函数和模糊密度随机变量的模糊数学期望、模糊方差等基本概念及定义和计算方法,并证明了有关定理。     

加权经验累计分位函数的弱收敛

记(X,Y)为二元随机变量,F(x)为X的边缘分布函数.定义Y关于X的分位回归函数为h(u)=E(Y|F(X)=u),记S(u)=∫u0J(t)h(t)dt为加权累计分位回归函数,其中J(@)为权函数.本文讨论了S(u)的经验版本的弱收敛性质.     

条件L泛函的核估计及其Bootstrap逼近

设(X,y)为取值于 R~d×R~1的随机变量,X 具有边缘分布 F(x),Y 关于 X 的条件分布为 F(y|x).对于条件 L 泛函θ_1(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy(1)θ(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy+sum from j=1 to k a_jF~(-1)(p_j|x)(2)在[1]中曾给出了它们的近邻估计,并讨论了估计的渐近性质(其中 F~(-1)(x)=inf{t:F(t)≥x}).在本文中,我们将用核函数方法构造它们的另一类估计,并讨论估计的一些渐近性质.设(X_1,Y_1),(X_2,Y_2),…是(X,Y)的一个样本列,取 w_n_i(x)=K((x-X_i)/h_n)/sum from i=1 to n K((x-X_i)/h_n),其中 K 为 R~d 上的概率密度函数,并有0相似文献   

非参数回归模型中回归函数的估计的渐近性质

§1.引言 考虑下列的回归模型:Y在X=x的条件之下的分布密度为f(y|X=x)=p(y-θ(x)),(1.1)其中p(y)满足条件回归函数θ(x)为下列集合的成员之一存在,x∈U},(1.3)其中U是一个开区间,θ~(p)(x)表示θ(x)的p阶导数。又设随机变量X的分布密度为q(x),它在X的支撑U上为连续正函数。现在设(X_1,Y_1),…,(X_n,Y_n)是(X,Y)的     

NA、PA样本下密度核估计的相合性

设{Xn,n≥1}为同分布的NA或PA随机变量序列，f(x)为X1概率密度函数，基于样本X1，X2，…，Xn，本对密度函数（f(x)的核估计进行了讨论，在适当条件下证明了其强相合和r阶矩相合。     

统计学入门(X)

二十、两个正态总体方差的比较20-1.两个正态总体样本方差比的分布,F分布 为对两个正态总体的方差进行比较和检验,我们首先讨论来自两个正态分布的独立样本的样本方差比的分布。这个分布称为F分布。 设 , 是相互独立的两个随机变量,的分布称为自由度为f1,f2的 F分布,记为F(f1,f2).其中f1和f2分别称为第一(分子)自由度与第二(分母)自由度,其顺序不能颠倒。显然F只能取正值,它的分布曲线的形状见图20—1. 与x2分布类似,我们可以定义F分布的上侧分位数。对任意概率p,可确定一个正数Fp(f1,f2),使得则Fp(f1,f2)称为自由度为f1,f2的F分布的上…     

非参数回归函数的随机窗宽核估计的重对数律

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为 i.i.d.二维随机变量序列,具有联合分布F(x,y)及密度 f(x,y).X 的边际分布和密度分别记为 F_X(x)和 f_X(x).记 m(x)=E{Y|X=x)}为 Y 对 X 的回归函数.为估计 m(x),Nadaraya 和 watson 独立地引进了如下形式的核估计     

数据非随机缺失时单变量的分布函数估计

本文研究数据非随机缺失下的分布函数估计问题.在确定缺失数据是否属于某些指定区间的前提下,对一维随机变量y的分布函数F(y)作出了估计.此时,假定数据缺失机制形式已知,但包含某未知多维参数θ.本文证明了未知参数θ的估计量(θ)的相合性和渐近正态性,也证明了分布函数F(y)的估计量F(y)的相合性和渐近正态性.     

一个积分不等式的证明及应用

利用概率技巧或H?lder不等式,可证∫Cxnf（x）dx ＞∫Cxf（x）dx ,其中 f （x）为连续型随机变量X的在其可能取值的区间C上的密度函数。     

相依样本下概率密度函数估计的渐近正态

设随机变量 X具有概率密度函数 f (x) ,X1,… ,Xn为 f (x)的样本 ,基于 X1,… ,Xn定义一类 f (x)的估计 fn(x) .本文在 X1,… ,Xn为 α——混合、ρ——混合样本时 ,得到了 fn(x)的渐近正态性     

正态分布标准化的图象解释

对于涉及正态分布N(μ,σ2)的计算,课本上只是用了一段话来进行说明:“一般的正态总体N(μ,σ2)均可以化成标准正态总体N(0,1)来进行研究。事实上,可以证明,对任一正态总体N(μ,σ2)来说,取值小于x的概率F(x)=Φ(x-μ/σ)”．这实际上是