相依样本下条件密度双重核估计的强相合性

设（Ｘ１，Ｙ１），…，（Ｘｎ，Ｙｎ）是从取值于Ｒ＾ｐ×Ｒ＾ｑ的随机向量（Ｘ，Ｙ）中抽取的随机样本，在给定Ｘ＝ｘ的条件下Ｙ具有条件密度ｆ（ｙ│ｘ）。在本文中，我们考虑ｆ（ｙ│ｘ）的通常的和递归形式的双重核估计ｆｎ（ｙ│ｘ）＝ｎ∑ｉ＝１Ｋ１（Ｘｉ－ｘ／ａｎ）Ｋ２（Ｙｉ－６／ｂｎ）／〔ｂｎ＾ｑｎ∑ｊ＝１Ｋ１（Ｘｊ－ｘ／ａｎ）〕ｆｎ（ｙ│ｘ）＝ｎ∑ｉ－１Ｋ１（Ｘｉ－ｘ／ａｉ）Ｋ２（Ｙｉ－ｙ／ｂｉ）／ｎ∑ｊ     

方差估计的随机加权分布的渐近展开—非独立同分布情形

设Ｘ１，．．．，Ｘｎ是一组独立的随机变量序列，设ＥＸｉ＝０，ＶａｒＺｉ＝μ２，ｉ＝１，２，．．．，ｎ，其中μ２是待估参数，当Ｘｉ，ｉ＝１，２，．．．ｎ给定后，分别用Ｄｎ＝ｎ∑ｉ＝１Ｖｉ（Ｘｉ－Ｘ）＾２－１／ｎｎ∑ｉ＝１（Ｘｉ－Ｘ）＾２及Ｕｎ＝ｎ∑ｉ＝１（Ｘｉ－Ｘ）＾２及Ｕｎ＝ｎ∑ｉ＝１Ｖｉ（Ｘｉ－ｎ∑ｉ＝１ＶｉＸｉ）＾２－１／ｎｎ∑ｉ－１（Ｘｉ－Ｘ）＾２两种形式的随机加权分布来逼近Ｔｎ＝１／ｎｎ∑     

四论限距组合

设整数ｍ≥２,给定ｍ－１元整数组Ｒ＝（ｒ１,ｒ２,…,ｒｍ－１）与Ｈ＝（ｈ１,ｈ２,…,ｈｍ－１）,其中０≤ｒｉ≤ｈｉ（ｉ＝１,２,…,ｍ－１）．对于正整数ｎ,若ｍ元整数组Ｊ＝（ｊ１,ｊ２,…,ｊｍ）满足１≤ｊ１≤ｊ２≤…≤ｊｍ≤ｎ,且ｒｉ≤ｊｉ＋１...     

截尾数据的非参数回归函数的核估计

基于｛（Ｘｉ，Ｚｉ，δｉ），１≤ｉ≤ｎ｝，我们建立了Ｅ（Ｙ│Ｘ＝ｘ）的估计ｍｎ（ｘ）和ｍ＾ｎ（ｘ），并证明了估计量的强弱相合，积分绝对误差的强相合与平均相合性。     

P.Turan问题XXXV的一个注记

本文给出了有关Ｐ．Ｔｕｒａｎ问题ＸＸＸＶ［关于逼过论的某些未解决的问题，Ｊ．Ａｐｐｒｏｘｉｍａｔｉｏｎ Ｔｈｅｏｒｙ，１９８０，２９（１）：２３－８５］的一个结果。设ｒｉｎ（ｘ）为（０，２）插值的第一类基函数，其插值节点为（１－ｘ）Ｐｎ＇（ｘ）之零点而Ｐｎ（ｘ）为ｎ次Ｌｅｇｅｎｄｒｅ多项式。那么ｍａｘ－１≤ｘ≤１∑ｉ＝１ｎ│ｒｉｎ（ｘ）│＝Ｏ（ｎ＾５／２ｌｎｎ）．但对ｆ＾＊＝ｘ＾２却有ｌｉｍ↓ｎ→     

变系数高阶中立型泛函数分方程的振动性与渐近性

考虑变系数高阶中立型泛函微分方程ｄ＾ｎ／ｄｔ＾ｎ（ｘ（ｔ）＋ｐ（ｔ）ｘ（ｔ－τ（ｔ））＋ｍ∑ｉ＝１Ｐｉ（ｔ）ｘ（ｔ－τｉ（ｔ）＝０，在－１＜ｐ（ｔ）≤０情形下解的振动性与渐近性，取消了Ｐｉ（ｔ）≥ｑｉ＞０的限制，改进以往的相应结果，本文结果时高阶泛函方程Ｘ＾（ｎ）（ｔ）＋ｍ∑ｉ＝１ｐｉ（ｔ）ｘ（ｔ－τｉ（ｔ））＝０也是适用的。     

随机阵列最大部分和的矩不等式和概率不等式

设Ｘｉｊ，ｉ＝１，…，ｍｌｊ＝１…，ｎ是任决一个随机变量阵列，令Ｓ（ｉ１，ｊ１；ｉ２，ｊ２）∑ｉ＝１，∑ｊ＝１Ｘｉｊ，Ｍ（ｉ１，ｊ１；ｉ２，ｊ２）ｍａｘｉｊｚ≤ｉ≤ｉ２，ｊ１≤ｊ≤ｊ２‖Ｓ（ｉ１，ｊ１；ｉ，ｊ）‖１≤ｉ１≤ｉ２≤ｍ，１≤ｊ１≤ｊ２≤ｎ）本文根据所设Ｅ（ｅｘｐ（ｔ，／Ｓ（ｉ１，ｊ１；ｉ２ｊ２）／）），Ｅ／Ｓ（ｉ１，ｊ１；ｉ２，ｊ２）／和Ｐ（？Ｓ（ｉ１，ｊ１；ｉ２，ｊ２?／≥ ｉ）的界     

相依样本下密度函数及其导函数的相合随机窗宽核估计

设（Ｘｎ）是Ｒ＾１中的平稳，强混合序列，具有公共的密度ｆ（ｘ），则可定义ｆ（ｘ）及其导函数ｆ＾（ｒ）（ｘ）的核估计与最近邻估计ｆ＾（ｒ）ｎ（ｘ）＝（ｎｈ＾ｒ＋１ｎ（ｘ））＾－１ｎ∑ｉ＝１Ｋ＾（ｒ）（Ｘｉ－Ｘ／ｈｎ（ｘ）），ｆｎ（ｘ）＝（ｎａｎ（ｘ））＾－１ｎ∑ｉ＝１Ｋ（Ｘｉ－ｘ／ａｎ（ｘ））其中核函数Ｋ（Ｘ）为取定的概率密度函数，且具有ｒ（ｒ≥０）阶导数，窗宽ｈｎ（ｘ）＝ｈｎ（ｘ；Ｘ１，．．．，Ｘ     

最佳L2局部逼近存在唯一的充分必要条件

本文给出了最佳Ｌ２局部逼近的存在唯一性定理，设ｆ∈Ｌ２（０，δ），Ｓｎ＝ｓｐａｎ（ｕ０，ｕ１，．．．Ｕｎ－１）Ｃ＾ｎ－１（０，δ），且ｄｅｔＷｎ（ｕ０，ｕ１，．．．ｕｎ－１；０）≠０，那么，当ｘ→０时，网（Ｐｘ（ｆ，Ｓｎ）收敛于Ｓｎ中某元素Ｐ０（ｆ，Ｓｎ）的充要条件为：ｆ＝Ｐｎ－１＋ｈ，其中Ｐｎ－１（ｔ）＝ｎ－１∑ｉ＝１ａｉｔｉ（ｈ，１）ｘ＝０（Ｘ＾ｎ），ｘ→０，且Ｐ０（ｆ，Ｓｎ）＝ＵＷ＾－１ｎＡ     

关于学生氏U—统计量的渐近性质

设Ｘ１，Ｘ２，．．．，Ｘｎ（ｎ≥２）为ｉ．ｉ．ｄ随机变量，Ｕｎ为以ｈ（ｘ１，ｘ２）为对称核的Ｕ－统计量，Ｅｈ（Ｘ１，Ｘ２）＝θ，且σｇ＾２＝ＶａｒＥ〔ｈ（Ｘ１，Ｘ２〕－θ│Ｘ１│〉０。设σｇ＊＾＊＾２是σｇ＾２的Ｂｏｏｔｓｔｒａｐ量，施锡铨在关于核ｈ的二阶矩的条件下，证明了：当ｎ→∝时，σｇ＊＾＊＾２→σｇ＾２ａ．ｓ，因此Ｗｎ＝√ｎ（Ｕｎ－θ）／２σｇ＾＊＊依分布收敛于标准正态变量。本文在关于核ｈ     

回归函数改良核估计的渐近分布

设(X1,Y1),…,(Xn,Yn)是来自二元总体(X,Y)的样本,若EY＜∞,则回归函数m(x)＝E(Y｜X＝x)存在。在本文中,考虑m(x)的改良核估计     

非参数回归函数之改良基于分割的估计的强相合性（英）

设(X,Y),(X1,Y1),…,(XnYn)为取值于 Rd× R的 i．i．d．随机变量,E(|Y|) ＜∞．设mn(x)为回归函数m(x)=E(|Y|X=x)基于分割的估计,本文在对mn(x)进行改良的条件下得到改良的基于分割的强相合估计．     

Almost Sure Convergence of Nonparametric Begression Estimates

Let (X, Y), (X_i,Y_i), i=1,\cdots, n, be iid.R^d*R^1-ralued vandom vectors with E(|Y|) <\infinity and m(x) =E(Y|X=x) be the regression function. Select the weight functions W_ni(x) =W_ni(x; X_1,\cdots, X_n), and use m_n(x) =[\sum\limits_{i = 1}^n {{W_{ni}}(x){Y_i}} \] an estimator of m(x). This paper shows that [\mathop {\lim }\limits_{n \to \infty } \]m_n(X) =m(X), a. s., under weaker conditions.     

关于Thue方程的解数

设ｍ是正整数，ｆ（Ｘ，Ｙ）＝ａ０Ｘｎ＋ａ１Ｘ（ｎ－１）Ｙ＋．．．＋ａｎＹｎ∈Ｚ［Ｘ，Ｙ］是Ｑ上不可约化的叫ｎ（ｎ≥３）次齐次多项式。本文证明了：当ｇｃｄ（ｍ，ａ０）＝１，ｎ≥４００且ｍ≥１０（３５）时，方程｜ｆ（ｘ，ｙ）｜＝ｍ，ｘ，ｙ∈ｚ，ｇｃｄ（ｘ，ｙ）＝１，至多有６ｎｖ（ｍ）组解（ｘ，ｙ），其中ｖ（ｍ）是同余式Ｆ（ｚ）＝ｆ（ｚ，１）≡０（ｍｏｄｍ）的解数。特别是当ｇｃｄ（ｍ，ＤＦ）＝１时，该方程至多有６ｎ（ω（ｍ）＋１）组解（ｘ，ｙ），其中ＤＦ是多项式Ｆ的判别式，ω（ｍ）是ｍ的不同素因数的个数．     

Strong Convergence of the Kernel Estimates of Nonparametric Regression Functions

Let (X, Y), (X_1, Y_1),\cdots, (X_n, Y_n) be i. i. d. random vectors taking values in R_d\times R with E(|Y|)<\infinity, To estimate the regression function m(x)=E(Y|X=x), we use the kernel estimate $m_n(x)=[\sum\limits_{i = 1}^n {K(\frac{{{X_i} - x}}{{{h_n}}}){Y_i}/} \sum\limits_{i = 1}^n {K(\frac{{{X_j} - x}}{{{h_n}}})} \]$ where K(x) is a kernel function and h_n a window width. In this paper, we establish the strong consistency of m_n(x) when E(|Y|^p)<\infinity for some p>l or E{exp(t|Y|^\lambda)}<\infinity for some \lambda>0 and t>0. It is remakable that other conditions imposed here are independent of the distribution of (X, Y).     

Necessary Conditions of L_1-Convergenoe of Kernel Regression Estimators

Let (X_1,Y_1),\cdots,(X_n,Y_n) be iid. and R^d *R-valued samples of (X,Y). The kernel estimator of the regression function m(x)\triangleq E(Y|X=x) (if it exists), with kernel K, is denoted by $\[{m_n}(x) = \sum\limits_{i = 1}^n {{Y_i}K(\frac{{{X_i} - x}}{{{h_n}}})/\sum\limits_{j = 1}^n {K(\frac{{{X_j} - x}}{{{h_n}}})} } \]$ Many authors discussed the convergence of m_n(x) in various senses, under the conditions h_n\rightarrow 0 and nh_u^d\rightarrow \infinity asn\rightarrow \infinity. Are these conditions necessary? This paper gives an affirmative answer to this bprolemuithe case of L_1-conversence, when K satisfies (1.3) and E(|Y|log^+|Y|)<\infinity.     

条件经验随机过程的渐近性质

设(Xi,Yi)(i=1,2,…,n)是来自总体(X,Y)的样本(独立同分布),其中X∈R1,Y∈Rq.M(x y)是Y=y时X的条件分布,Mnkn(x y)为M(x y)的第kn个最近邻域的经验分布估计量,讨论条件经验过程Sn(t,x,y)=kn12(Mnkn(x y)-M(x y))的渐近性质,得出在适当条件下,对固定的y,Sn(t,x,y)(x,t为参数)弱收敛于某一G aussian过程S(.).     

稳定性理論中第一临界情形的微分方程与微分差分方程的等价性問題

<正> §1.問題与方法.在[1]中提出了等价性問題,并对于一般n的情形作了系統的研究.本文是处理在第一临界情形下的微分方程与微分差分方程的等价性問題. 問題是研究微分方程組     

復式乘積和球面乘積的關係

<正> 1.設X為一拓撲空間,以a_i表示X的n_i次同偷羣∏_(ni)(X)的一個元素.在球面乘積S~(n1)×…×S~(nr)中,最高次元的腔胞記為e~(n1+…+nr).在S~(n1)×…×S~(nr)中除去e~(n1+…+nr)而得一空間Y.設S~(nl)為nl次元球,為了印刷方便起見,把S~(nl)記作S(nl).在S(ni)中取一參考點x_i~o.設i_1相似文献   

条件Erlang分布双参数加法定理的推广

X(m)和Y(k)服从参数(m,λ)和(k,μ)的Erlang分布且相互独立.证明了在X(m)相似文献