截断情况下独立随机变量样本均值和方差的近似分布

设X1，X2……Xn为非负随机变量，相互独立具有共同的分布函数F(t)，Y1，Y2……Yn是相应的干扰随机变量，非负，相互独立具有共同的分布G(t)，并且Xi与Yi也相互独立，文章在仅能观察到Zi=min(Xi，Yi)．δi=I(Xi≤Yi)，i=1，2……，n和假设G已知的情况下．分别定义了F的均值和方差的估计量，并求出了估计量的近似分布．     

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.     

浅谈离散型随机变量的数学期望

当X为离散型随机变量时,如果X的取值是有限个,要求X的数学期量E(X),只要知道X的分布律就行了,但是在一些情况下,要求出X的分布律是非常困难和非常复杂的.有些时候,分布律求出来后,可按定义算出X的数学期望:E(X)一∑xipi.然而有时这个和比较难求.在以上两种情况下,我们可以利用数学期望的性质:E(X1+…+Xn)=E(X1)+…十E(Xn)把X分解为几个随机变量的和,而这几个随机变量的数学期望很容易求.一般当X表示的是与计数有关的随机变量时,大部分情形我们可以把它分解,并且是分解成0一1分布或两点分布的随机变量的和.下面通过几个例子来说明这种方法的应用.     

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.     

回归函数的最近邻估计之大偏差概率的指数率

设(X,Y)是取值于 R~d×R~1 的随机变量,其 X 的边缘分布为 v,Y 关于 X 的条件分布函数为 F(y|x).于是变量 Y 关于 X 的回归函数即条件期望为r(x)=∫_(R~1)ydF(y|x).(1.1)设(X_1,Y_1),…,(X_n,Y_n)是(X,Y) 的一组独立观测值,或称为(X,Y)的一组样本.对固定的 x∈R~d,记(R_(1,x)~(?),…,R_(n,x)~(?)为(1,…,n)的一个随机置换,     

一种基于样条方法的非参数回归的强相合估计

其中(X,Y)为二元随机变量,E(e|X)=0 a.s.设(X_i,Y_i),i=1,…,n为(X,Y)的n个独立观察值,我们的目的是寻找一个回归函数G(X)的相合估计。 对于这个问题的讨论,已经相当深入。目前主要集中在权函数法,这方面的结果可见[8],[9],[10],但是我们应该指出的是,在权函数法中所使用的权函数大都是人为选定的。例如核函数法,近邻方法。即使在使用cross-validation技术,也只是在于选择窗     

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     

关于解函数方程的牛顿方法的一点注记

本文把L. Collatz就复数域场合所论的关于解代数与超越方程的“简化”牛顿法推广到一般Banach空间的情形;并且由此,修正并较简单地推导出来I. Fenyo的两个结果以及M. Stein的一个结果。设F(x)是由Banach空间X到Banach空间Y中的任意运算子。我们将设在所论的X中某区域G内F(x)具有连续的Frechet导式F′(x)。我们求解方程 F(x)=0。(1) 设F_1(x)对于每个x∈G是由Y到X中的有逆线性有界运算子。我们今 K(x)=x+F_1(x)F(x).(2)     

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.     

英汉数理统计小辞典

distribution分布distribution function分布函数 对任意值x,给出随机变量X小于或等于x的概率的函数:F(x)=P(X≤x).probability density function概率密度函数 连续随机变量分布函数的微商(如果它存在); f(x)= F’(x)。uniform distribution均匀分布 连续随机变量的一种概率分布。其概率密度函数在某个有限区间上等于一个常数,而在该区间以外等于零。normal distribution正态分布 连续随机变量X的分布。其概率密度函数为共中p和a分别为正态分布的期望和标准差。standardized normal distribution #准正态分在 标准化正态随机变量的概率分…     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

非参数回归函数的基于截尾数据的估计

本文考虑截尾数据情况下非参数回归函数m(x)=E(Y|x)的估计。具体地讲,我们面对的是这样的数学模型:T是与(X,Y)独立的随机变量,我们观测到的不是Y本身,而是Z=min(Y,T)及δ=[Y≤T]。今有训练样本{(X_i,Z_i,δ_i)}_(i-1)及当前样本(X,z,δ),记ξ_i(·)=[z_i≥·], N~ (·)=sum from i=1 to n ξ_i(·), V_n(·)=multiply from i=1 to n{1 N~ (z_i)/2 N~ (z_i)}~[δ_i=_i<0], U_n(·)=sum from i=1 to n Wnt(x)ξ_i(·), 令 m_n(x)=integral from 0 to u_n U_n(y)|V_n(y)dy, 其中u_n=F_2~(-1)(n~(-a)),0<α<1/2为一实常数,F_2(·)=P(Y≥·)为Y的(右侧)分布函数。在权函数{W_(ni)(x)}_(i=1)~n及(X,Y,T)的分布函数满足一组条件下,我们证明了m_n(x)为m(x)的强相合估计,即:m_n(x)→m(x),a.s.(n→ ∞).     

条件分布计算的几个问题研究

主要通过举例,介绍二维连续型随机变量(X,Y)当fY(y)=0或fX(x)=0时相应的条件分布的几种情况.其结论表明条件分布可能是连续型分布,也可能是离散型分布,甚至还可能是非连续型非离散型分布,以此加深对条件分布的认识.     

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…     

关于回归函数核估计的渐近正态性

令(X,Y)是具有联合密度f(x,y)的二元随机变量。如果EY有限,则称m(x)=E(Y|X=x)为Y关于X的迴归函数.假设(X_1,Y_1),…,(X_n,Y_n)是来自二元总体(X,Y)的一个随机样本,那么迴归函数的核估计定义作其中K是一元密度函数,{h_n}是一列收敛于0的正数.在Y有界且nh_n~2→∞的条件下,证明了(nh_n)~(1/2)(m_n(x)-Em_n(x))依分布收     

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   

Asymptotic behavior of product of two heavy-tailed dependent random variables

Let X and Y be positive weakly negatively dependent(WND)random variables with finite expectations and continuous distribution functions F and G with heavy tails, respectively. The asymptotic behavior of the tail of distribution of XY is studied and some closure properties under some suitable conditions on ˉ F(x)= 1 F(x)and ˉ G(x)= 1 G(x)are provided. Moreover, subexponentiality of XY when X and Y are WND random variables is derived.     

一个从多重特征值出发的分歧定理

讨论非线性方程F(λ,u)=0的分歧问题,这里F:R×X→Y为非线性微分映射,X,Y为Banach空间,利用Lyapunov-Schmidt约化过程和隐函数定理证得一个从多重特征值出发的分歧定理.推广了Crandall M G与Rabinowitz P H的经典分歧定理.     

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.     

关于DMRL序的若干结论（英文）

设X,Y为非负绝对连续随机变量,X,Y分别具有各自的分布函数F_X,G_Y,使得F_X(0)=G_Y(0)=0,右连续的反函数F_X~(-1),G_Y~(-1),与生存函数F_X,G_Y.记X≤_(dmrl)Y,称X在DMRL(递减的平均剩余寿命)序下比Y小,如果函数∫_G_Y~(-1)(p)~∞G_Y(x)dx/∫_F_X~(-1)(p)~∞F_X(x)dx关于p∈(0,1)递增.考察了DMRL序的特征性质,获得了若干封闭与逆封闭性质.同时,给出了满足DMRL序的若干说明性实例.