PP 检验的渐近功效

投影寻踪(Projection Pursnit,简称 PP)是一种处理高维数据的统计方法,近年来借助于计算机的发展,它的理论得到了迅速的发展.假如(?)为一能反映统计性质的指标,对每个 p 维方向α,计算出(?)(α~(?)X_1,…,α~(?)X_(?)),从中找出使(?)(α~(?)?X_1,…,α~(?)X_(?))最大的方向α_0,通过研究数据α_0~(?)X_1,…,α_0~(?)X_(?) 的性质,来了解原数据 X_1,…,X_(?)的性质,这就是所谓数值 PP 的基本想法.如果用一维检验或估计统计量(?)作指标,则可得到多维检验或估计(?)(?)(α~(?)X_1,…,α~(?)X_(?)).见文献[2,3,5—7].在上述文章中这些检验和     

次序统计量线性函数的非一致Berry—Essen界和强逼近

设 X_1,…,X_n 为(?)d.r.v.序列,X_1～F,以 X_(n1)≤…≤X_(nn)记 X_1,…,X_n 的次序统计量.对定义于[0,1]中的函数 J(x),记(1)为次序统计量的线性函数.本文进一步研究了 T_n 的极限性质,利用周知的 U—统计量的性质,以及经验过程的一些理论,推广[1],[2]的结果到非一致收敛情形,同时完善了[3]的结论且简化了其条件和证明.定理证明基于下述引理。     

相伴随机变量的重对数律

<正> 随机变量X_1,…,X_n称为是相伴的(associated),如果对R~n上任意二个关于各自变量非降的函数f_1和f_2,有cov(f_1(X_1,…,X_n),f_2(X_1,…,X_n))≥0,其中要求Ef_i~2(X_1,…,X_n)<+∞,i=1,2.序列{X_n,n≥0}称为是相伴的,如果其中任意有限个随机变量是相伴的.此定义由Esary等人于1967年引入,并且在可靠性理论中发现了许多应用(参见文献[2]).     

关于 U-统计量自助逼近的一点注记

设 X_1,X_2,…,X_n 是来自分布 F 的独立同分布子样,T(X_1,…,X_n;;F)是依赖 X_1,X_2,…,X_n 且与 F 有关的随机变量.又设 F_n 为基于 X_1,X_1,…,X_n 的观察值 x_1,x_2,…x_n 的经验分布函数,而 Y_1,Y_2,…,Y_n 为来自 F_n 的独立同分布子样.所谓自助(bootstrap)法,即是以 T(Y_1,…,Y_n;F_n)在 F_n 下的分布去估计 T(X_1,…,X_n;F)在 F 下的分布.Bickol 与Freedman 在[1]中讨论了 U-统计量自助逼近的可能性.设 h(x,y)为关于变元对称的 Borel     

相依样本分布函数、回归函数的非参数估计的强相合性

设 X_1,X_2,…,X_n 是来自未知分布函数 F(x)的 R~d(d≥1)维随机样本,通常用基于 X_1,X_2,…,X_n 的经验分布函数 F_n(x)来估计 F(x).当样本是独立时,'F_n(x)的大样本性质是众所周知的.Yamato 在1973年提出了 F(x)的核估计的方法:设 W_(?)(x)是 R~d 上的已知分布函数,定义 F(x)的核估计为     

自变元带误差的回归分析

考虑p维随机变元的n个独立观测值X_1,X_2,…,X_n,其中X_t=(x_(1t),x_(2t),…,x_(pt))~t表示第t个观测矢量,它由分量x_(1t),x_(2t),…,x_(pt)组成.x_(it)为第i个变元的第t个观测值.每个x_(it)都是由两个量的叠加而成,即被观测的非随机自变元a_(it)和观测误差ε_(it)的叠     

线性M-回归的Bootstrap逼近

<正> 在讨论某些估计的误差的统计特性时,Efron在[1]中提出了一种Bootstrap方法.设X_1,…,X_n是F的一组独立同分布样本,F_n是对应的经验分布函数,又设X_1,…,X_m是按F_n的重新抽样.我们所关心的是量R(X_1,…,X_n;F)的统计特性,其中R既     

Hill估计的重对数律

设{X_n,n≥1}是 i.i.d.序列,分布函数具有形式 F(x)=1-,x>0,其中 L(x)是缓慢变化函数,0相似文献   

多维随机变量序列的最大值和最小值的渐近独立性

设{X_n=(X_(1n),X_(2n),…,X_(mn),≥1}是i.i.d.的m维随机向量序列,Z_(in)=max{X_(i1),X_(i2),…,X_(in)},W_(in)=min{X_(i1),X_(i2),…,X_(in)},1≤i≤m,Z_n=(Z_(1n),Z_(2n),…,Z_(mn)),W_n=(W_(1n),W_(2n)…,W_(mn)).本文得出了W_n与Z_n渐近独立的充分必要条件.     

用投影寻踪自助法进行多元分布函数的拟合优度检验

文中记 F 为 q 维分布函数,P 是概率测度,P_F 是由分布函数 F 所规定的概率测度.在进行统计推断时,常常需要知道统计量 R(X_1,…,X_n;F)的分布 J_n(x,F)=P_F(R(X_1,(?),X_n;F)≤x),其中 X_1,…,X_n i i d～F,i i d 表独立同分布,或者用 R(X_1,…,X_n;F)的极限分布 J(x,F).但是 J_n(x,F)和 J(x,F)经常与 F 有关,即使 F 知道,J_n(x,F)和 J(x,F)的确切表达式大多是不知道的.倘若 F 未知,就更难知道 J_n(x,F)     

一个最小可行图的判定条件

设有n个集合X_1,…,X_n,一个以X=U_(i=1)~nX_i为顶点集的图G称为是一个关于(X_1,…,X_n)的可行图,如果对每一个X_i(i=1,…,n),导出子图G_i=G[Xi]是连通的。关于集合序列(X_1,…,X_n),含最少边数的可行图称为是最小可行图。本文证明,关于(X_1,X_2,X_3)的可行图G=G_1∪G_2∪G_3是最小可行图的充分必要条件是:当X_i∩X_j∩X_k≠φ(i,j,k)=1,2,3)时,G_i∩G_j∩G_k是树。它发展了由D.-Z.Du(堵丁柱)在1986年得到的一个结果。     

重截断和的渐近分布

设{X_n,n≥1}是i.i.d.随机变量序列,X_n,1≤…≤X_(n,n)是X_1,…,X_n的次序统计量。又设k_(n,1,) k_(n,2)是满足条件1≤k_(n,1)相似文献   

广义负相依重尾随机变量和及其最大值尾概率的渐近性

假设X_1,X_2…,X_n是一列具有广义负相依结构的随机变量(r.v.s.),分别具有分布F_1,F_2,...,F_n.假设S_n:=X_1+X_2+…+X_n.本文分别在三类重尾分布族下得到了如下量之间的渐近关系:P(S_nx),P(max{X_1,X_2,…,x_n}x), P(max{S_1, S_2,…,S_n} X)和(?)P(X_k x).在此基础上,本文还探讨了随机加权和最大值尾概率的渐近性质,并运用蒙特卡洛(CMC)数值模拟验证了其有效性.最后,本文将得到的主要结果应用到了一个带有保险风险与金融风险的离散时间风险模型,得到了有限时间破产概率的渐近性.     

PP 型拟合优度检验

摄影寻踪(Projection Pursuit,简称PP)是一种新兴的用来处理高维数据的统计方法,其主要思想是通过极大化某个投影指标(通常是分布函数的泛函)来寻找低维投影,通过对其低维投影数据的研究来发现高维数据的性质.PP 方法自首次提出,已用于处理一些非正态多维数据分析问题,如回归、判别、聚类、密度估计等.     

一般损失下k近预测条件风险的指数界

<正> 设(X,θ)为R~d×R~1上随机变量.(X_1,θ_1),…,(X_n,θ_n)为它的独立同分布样本.设X的值已观测,记Z_n=((X_1,θ_1),…,(X_n,θ_n)),要用X和Z_n的值去预测θ的值.设‖·‖为R~d中欧氏距离或最大分量模距离,将X_1,…,X_n重排为X_(n1),…,X_(nn).使得‖X_(n1)‖-X‖≤‖X_(n2)-X‖≤…≤‖X_(nn)-X‖,以θ_(n1),…,θ_(nn)记相应的匹     

Sufficient And Necessary Condition For Convergence of Conditional Error Probability in NN-Pattern Discrimination

Let (θ_1,X_1),…, (θ_n,X_n), (θ, X) be iid random vectors ,where θ∈{0,1},X∈R~d Denote by θ′_n the nearest neighbour discriminator of θ based on the training samples (θ_1,X_1),…, (θ_n,X_n) and the observed X; put and This paper gives a sufficient and necessary condition for as n→∞, namely (P(θ=0, X=x)-P(θ=1, X=x))~2·P(θ=0, X=x)·P(θ=1, X=x)=0 for every x∈R~d.This generalizes a previous result of the authors [5] and improves a result of Wagner, T.J. [2].     

关于一类倒齐次不定方程整解问题

1 整数组的一个性质以[a_1,a_2,…,a_n]表示非零整数a_1,…,a_n的最小正公倍数,g_m和f_(m-1)表示m次和m-1次n元整系数多项式,关于整数组有如下性质: 引理1 对任意非零整数X_1,…,x_n,必存在非零整数t_1,…,t_n和正整数M,使x_1t_1=x_2t_2=…=x_nt_n=M 事实上,只要取M=|x_1…x_n|,t_1=M/X_1(i=1,…,n)即知。我们还有引理2 若a_1a_2…a_na≠0,则整系数方程组 a_1x_1=…=a_n-x_(n-1)=M, a_nx_n=aM(1)有解的充要条件是[[a_1,…,a_(n-1)]a,a_n ]|aM,     

非参数回归函数核估计的收敛速度

<正> §1.引言及记号设(Y,X),(Y_1,X_1),…,(Y_n,X_n)为 iid.(1+d)维随机向量,E(|Y|)<∞,m(x)=E(Y|X=x)为回归函数.Watson,Nadaraya 首先提出的基于样本(Y_1,X_1),…,(Y_n,X_n)的 m(x)的核估计为     

平稳随机序列的变秩顺序统计量的联合渐近分布

设{X_n}是平稳序列,X_1~((n))≤…≤X_n~((n))是X_1…X_n的顺序统计量。{k_n(r)},r=1,2是二变秩序列。本文在某种相关条件限制下得到了{X_(kn)~((n))(1),X_(n-_(kn))~((n))(2)+1)}的极限分布。特别地,对满足k_n(r)/n→λ(r)∈[0,1),r=1,2的特殊秩序列,得到了{(X_(kn)~((n))(1),X_(n-_(kn))~((n))(2)+1)}的所有可能的极限分布类。     

N值随机变量序列的AEP型极限及若干强偏差定理

设{X_n,n≥1}是在S={1,2,…,N}中取值的随机变量序列,其分布为p(x_1,…,x_n),liminf[P(X_1,…,X_n)]~(1/n)与limsup[p(X_1,…,X_n)]~(1/n)称为AEP型极限。利用这些极限该文得到{X_n,n≥1}的若干强偏差定理,即一类用不等式表示的强极限定理。