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     

两样本秩次统计量的几乎处处界

设 X_1,…,X_n i.i.d.X_1～F_Y_1,…,Y_n,i.i.d.Y_1～G,这里 F 和 G 是两个一维连续分布函数.以 R_i 记 X_i 在合并样本(X_1,…,X_m,Y_1,…,Y_n)中的秩,且设φ(μ)定义于(0,1),φ_N(n)定义于1/(N 1),…,N/(N 1).本文给出了如下结果:在φ(x)与φx(x)满足一定条件下其中     

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。     

变分流方程组初边值问题的Blow—up性质

§1 引言及主要结果设 Q 是 R~n 中具有光滑边界(?)Ω的有界区域,考虑抛物变分流方程组((?)u~i)/((?)t)=sum from α=1 to n (?)/((?)X_α) F_(?)(x,u,Du)-F_u~i(x,u,Du) (1)((x,t)∈Ω×[0,T),i=1,2,…,N)的第一初边值问题(?)以及第三初边值问题     

正态一次、二次顺序统计量的分布和矩的渐近性质

本文恒以F(x)、f(x)表示标准正态分布函数及密度函数,又记t=u_n,即1-F(t)=1/n。设X_1、X_2、…、X_3为i.i.d,X_1～N(0,1),以X(n,1)、X(n,2)、…、X(n,n)表示其从大到小的顺序统计量。又设X_(11)、…、X_(1n);……;X_(m1)、…、X_(mn)为i.i.d,X_(11)～N(0,1),以     

U-统计量的分布的非一致性收敛速度

设{X_n}为一串iid.随机变量,h(x,y)为两个变元x,y的对称函数,则称 U_n=(?)~(-1) sum from (i≤i相似文献   

关于(o,M)型缺三角插值多项式的同等收敛性

本文将给出有关(0,M)型缺三角掐值多项式的同等收敛性定理。设f(x)∈C_(2x),Q_n(f,x)为满足下述条件且在x_(kn)处插值于f(x)的(0,M)型缺三角插值多项式:Q_n(f,X_(kn)=f(X_(kn)),Q_n~((M))(f,X_(kn))=0,这里X_(kn)=(2kx/n),n=2m+1,k=0,1,…,n—1。由文[3]中的结论,这样的Q_n(f,x)存在且唯一。     

廖山涛教授的代数拓扑研究工作

§1 局部乘积与Poincar6-A1exande-Lefschetz型对偶定理 设x为紧致Hausdotff空间,X_0,E为X的闭子集.证E_0=X_0∩E_0.(X_0,E_0)在(X,E)中以G为系数群的局部上、下同调群H~i(X_0|x,E;G)、Hi(X_0|X,E_0|E;G)已有定义.一空间在一子集处的局部同调群的运用早已隐含在Lefschetz①和Wilder②的书中,设G_1,G_2,G_0为系数群,且有配对G_1·G2→G_0,廖山涛在局部同调群中进一步引入局部上积与卡积如下:     

BCI—代数的积代数

我们先引入一族BCI-代数的积代数。定理1 设(α∈I)是一族BCI-代数,其中I是指标集。设X=π{X_α:α∈I}是一切映射f:I?U{X_α:α∈I}的集合,使得f(α)∈X_α。对于任意的f,g∈X,定义f*g为     

一类密度函数最近邻估计的一致收敛速度

<正> 设 X_1,X_2,…,X_n 是来自 R_d(d≥1)上的具分布函数 F(x)的总体的 iid.样本.F(x)有概率密度 f(x),k=k(n)是与 n 有关的自然数.找最小正数 a_n(x),使得     

密度估计的渐近无偏性与强收敛

<正> 设 X_1,X_2,…是独立同分布随机向量序列,其共同分布密度为 f(x),x∈R~m,特征函数为(?)(u),u∈R~m.1956年 M.Rosenblatt 在[1]中引进了依赖于 n 次独立观察的f(x)的估计量     

密度核估计强相合性的一致收敛速度

设X_1,…,X_n为取自一维总体的iid.样本,F(x)及f(x)分别为总体的分布函数和密度函数.取概率密度K(x)作为核,则可作出f(x)的核估计     

平面上Volterra型随机微分方程的弱解

设 B 是(?)上的 Brown 运动,考虑平面上 Volterra—It(?)型随机微分方程(Ⅰ)X_(?)=(?)+(?)a(z,ξ,X_ξ)dξ+∫_(R_z)β(z,ξ,X_(?))dB_(?) z∈R_+~2其中(?)是两参数连续过程,满足:对(?)T>0,(?),则当α(z,ξ,x),β(z,ξ,x)连续,且关于 z 满足 Lip 条件,关于 x 满足增长性条件时,本文用迟滞逼近方法证得方程(Ⅰ)弱解存在。     

k—full整数的分布（Ⅱ）

设k≥2是固定整数。自然数n称为k-full,如果对n的任一素因子p,均有p~k|n。以A_k(x)表示不超过x的k-full整数的个数,则可将A_k(x)写成如下形式: 这里γ_(i,k)(0≤i≤k-1)是非零常数,△_k(x)A_k(x)之误差项,本文在Riemann猜想成立的假设下证明了下结面论: 定理设。若Riemann猜想成立,则有:对k≥10成立。对2≤k≤9则得到了关于△_k(t)dt之渐近估计,其误差项为O(x_k~(a′+2))(ε>0)。     

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     

一种概率密度近邻估计的相合性

设一维r v.X有分布F,密度f,X_1,…,X_n为X的iid.观察值.Loftsgarden和Quesenberry在1965年提出了f(x)的一种近邻估计法.该法先给定自然数k_n≤n,对任何x∈R~1,以a_n(x)=a_n(x;X_1,…,X_n)记最小的a,使[x-a,x a]中至少包含X_1,…,X_n中的k_n个,然后以     

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-(L(x))/(x~(1/O)),x>0,其中L(x)是缓慢变化函数,0相似文献   

密度的混合偏导数的核估计及其收敛速度

设 X_1,X_2,…是独立同分布的 m 维随机变量,其共同的概率密度(对 Lebesgue 测度而言)为 f(x),x∈R~m.设 f∈C_(kα),C_(kα)表示 R~m 中一族概率密度,其所有 k 阶混合偏导数存在、连续且绝对值不超过α.设整数 r=r_1+…+r_m,r_1,…,r_m≥0.本文考虑 f 的 r 阶混合偏导数     

序贯最近邻密度估计

§1.引言设 X_1,…,X_n 是从某个具有分布 F 和密度 f 的一维总体中抽出的独立同分布(iid)样本,为估计密度函数 f(x),1965年 Loftsgarden 和 Quesenberry 提出了下面一种估计方法:选定一个与 n 有关的自然数 k_(?)≤n,找出最小的α_n(x),使得区间[x-(?)),x α_n(x)]内至少包含样本 X_1,…,X_n 中的 k_n 个点,并用     

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