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。     

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.     

蒙特卡洛方法(Ⅱ)

上面几节讨论了随机数、随机变量、随机过程的模拟方法.很自然地要问,用这些方法产生的数值序列,具有我们所要求的统计性质吗?能够在蒙特卡洛模拟过程中使用吗?这里,我们从统计假设检验出发,分析它们的统计性质,讨论并解决上述问题.设随机变量η具有连续的分布函数 F(x),则随机变量     

关于U-统计量的Berry-Esseen不等式的推广

设{X_n}是独立同分布随机变量序列,共同的分布函数为F(x)。φ(x,y)是二元对     

Kaplan—Meier估计在τF≥τG情况下的强一致性

设{X_i}i.i.d.为寿命随机变量叙列,分布函数为F(x);{Y_i}i.i.d.为相应的与之独立的截断随机变量叙列,其分布函数为G(y).当τ_p=sup{ι:F(ι)<1}<τ_G=sup{ι:G(ι)<1}时,Kaplan-Meier估计的强一致性为F?ldes与Rejeto于1981年证明.本文则研究了较为复杂的τ_F≥τ_G情况,证明了在某些条件之下,Kaplan—Meier估计仍具有强一致性.     

-混合误差下回归函数加权核估计的强相合性

设{yi}是固定在点{xi}的观察值,适合模型yi=g(xi) εi.其中g(x)是0,1上的未知函数,{εi}是均值为0的随机误差序列.文献中,在{εi}为独立同分布的条件下,通过构造新的函数gn(x),对g(x)进行了估计.论文将{εi}推广至~ρ-混合误差序列的情形,通过附加适当的条件和精细的计算,获得了用gn(x)估计g(x)的同样结论.     

关于k阶记录时间与k阶记录值的联合分布

设独立同分布随机变量序列{x_nj n≥1}的分布函数F(x)=p(x₁(k)(n);n≥1},{X^(k)(n);n≥1} 分别为{x_nj n≥1}的K阶记录时间序列和k阶记录值序列.本文我们用直接方法求出了{U^(k)(i),X^(k)(i);1≤i≤n}的联合分布，从而证明了k阶记录时间序列及k阶记录值序列的马氏性，并导出了它们之间的一     

(~ρ)-混合误差下回归函数加权核估计的强相合性

设{yi}是固定在点{xi}的观察值,适合模型yi=g(xi) εi.其中g(x)是[0,1]上的未知函数,{εi}是均值为0的随机误差序列.文献中,在{εi}为独立同分布的条件下,通过构造新的函数gn(x),对g(x)进行了估计.论文将{εi}推广至(~ρ)-混合误差序列的情形,通过附加适当的条件和精细的计算,获得了用gn(x)估计g(x)的同样结论.     

固定平滑参数的Pickands估计量的大分位数之估计

{X_i}_(i=1)~∞是具有公共分布函数F(x)的i.i.d序列,F(x)属于吸引场D(G_γ)(γ∈R)之一.在一定条件下,给出了固定平滑参数的F(x)的大分位数估计量的渐进分布,进而可得其渐进置信区间.     

关于高斯随机游动之Shepp统计量的极值的一些渐近结果（英文）

设{x_i∶i≥1}是一列独立的标准化的服从正态分布的随机变量序列,令S_k=∑_(i=1)~kX_i,S_0=0为相关的高斯随机游动.当T是一正的独立于{X_i∶i≥1}的随机变量时,获得了Shepp统计量之极值M_T~(N)=max(k+L-1)-S_(k-1))的尾渐近展开.同时也证明了M_T~(N)的几乎处处极限定理.     

等差数列中“和问题”的一种处理方法

公差为d的等差数列{an}的通项公式为an=a1 (n-1)d (n∈N),若函数f(x)=dx (a1-d) (x∈R),则有an=f(n).本文称函数f(x)为等差数列{an}的伴随函数,这样便有下面的定理.定理 若f(x)为等差数列{an}的伴随函数,且mi (i=1,2,3,…,k)为自然数,则证 ∵ f(x)为等差数列{an}的伴随函数,∴ f(x)=dx (a1-d) (x∈R),故定理得证.推论 若f(x)为等差数列{an}的伴随函数,Sn为前n项和,则证 由定理得：利用定理及推论可巧妙解答等差数列中有关的和问题.例1 在等差数列{an}中,若a3 a4 a5 a6 a7=450,则a2 a8=( )(A) 45. (B) 75. (C) 180.…     

随机删失场合基于Synthetic Data的回归函数的核估计及强相合性

设(X_1,Y_1),…,(X_n,Y_n)是来自总体(X,Y)的取值于R~d×R上的i.i.d.随机向量,是未知的非参数回归函数,{Y_i}被随机变量{T_i}删失,只能观察到,本文分别在T_i的分布函数已知和未知的情形下,利用Leurgans等人提出的Synthetic data方法获得新的数据{Y_i~*}与{Y_i~(**)},考虑了m(x)的核估计并且证明了其强相合性。     

关于 U-统计量和 Von-Mises 统计量的 Esseen 不等式

<正> 设{X_n}是相互独立的随机变量序列,X_n 的分布函数为 F_n(x).(?)(x,y)是二元对称函数,不妨假设 E_(?)(X_i,X_j)=0(对一切 i=(?)j).定义 U-统计量     

一类平稳序列谱函数估计的不变原理

设 {x_n,n=0,±1,…}是实线性过程,即对每个整数n,x_n可表成:x_n=e_n+b_1e_(n-1)+…,其中{e_n}是独立同分布,零均值,方差σ~2的随机变量序列,{b_i}是满足sum from i=1 to ∞(|b_i|~2<∞)的实数列.若记F(λ)为{x_n}的谱函数,f(λ)为其谱密度,人们很早就     

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A-有序有界变差

§1前言 设f(x)是定义在一个区间上的实函数。对每一个区间I=[a,b],记f(I)=f(b)-f(a)。若区间J处于区间I的右边,则记之为II.若对每一j有I_j<(j 1),(或I_j>I_(j 1),则称{I_n}为有序的。A表示单调不减的正数序列{λ_n},它满足条件 sum from n=1 (1/λ_n)= ∞ (1)如果 其中,记号sup表示关于区间Ⅰ=[a,b]内每一互不重叠的区间列{I_n}取上确界,则称函数f(x)是区间I上的A-有界变差函数,记作f∈∧B∨,区间函数V_∧(I)=V(F;I)=     

非平稳高斯序列的极值之渐近分布

设{ξ_n}是一非平稳高斯序列,Eξ_n=0、Eξ_n~2=1及γ_(ij)=Eξ_iξ_j.以M_n记max ξ_k,以记公共分布是F(x)=/(2π)~(1/2) integral from n=-∞ to x(e~(-u~2/2))du的 i.i.d序列之前n个变量的最大值.已有如下结果:对所述非平稳高斯序列{ξ_n}若     

有限个非扩张非自映像隐迭代格式的逼近

假设E为一致凸Banach空间,K为E的非空闭凸子集且为E的非扩张收缩,P为非扩张收缩映像.{Ti:i=1,2,…,N}:K→E为非扩张映像且F(T)=∩ from i=1 to N F(Ti)≠■.定义{xn}如下:x0∈K,xn=P(αnxn-1+(1-αn)TnP[βnxn-1+(1-βn)Tnxn]),n≥1,这里{αn},{βn}为[δ,1-δ]中的实序列,其中δ∈(0,1).若{Ti:i=1,2,…,N}满足条件(B),则{xn}强收敛于x*∈F(T).     

基于方向数据的核密度估计的对称检验的大偏差

设$f_n$是基于核函数$K$和取值于$d$-维单位球面${\mathbb{S}}^{d-1}$的独立同分布随机变量列的非参数核密度估计. 我们证明了若核函数是有界变差函数, 随机变量的密度函数$f$是连续的和对称的, $\{\sup_{x\in {\mathbb{SS}}^{d-1}}|f_n(x)-f_n(-x)|,n\ge 1\}$的大偏差原理成立.     

含趋势项强相依非平稳序列的两个重要分布

{ηn}为平稳标准化正态序列,相关系数r|t-j|=Cov(ηu,ηj),若rnlogn→∞时,Leadbetter[1]等得到了序列最大值的渐近分布.本文考虑非平稳带有趋势项序列{ηn},得到了序列最大值的渐近分布和最大值与部分和的联合渐近分布.