关于多维平稳序列的一个结果

是一个 m 维宽平稳随机向量序列,且 Ex_i=0(零向量),i=1,2,….易知(?)与 i 无关,且(?)(τ)~T 是一个 m 阶矩阵(A~T 表示 A 的转置矩阵).又(?)特别(?)(0)=(?)(0)~T 是每个随机向量的协方差阵.今有 n+1个 m 维宽平稳的随机向量 X_1,…,X_(n+1).令     

Strong Consistency of Non-parametric Regression Estimates with Censored Data

Let (X,Y) be an R~d×R valued random vector with E|Y|<∞ and(X_1,Y_1) (X_2,Y_2), …, (X_n,Y_n) be i.i.d.observations of (X,Y). To estimate the regression function m(x)=E(Y|X=x), Stone suggested m_n(x)=sum from i=1 to n(W_(ni)(x)Y_i), where W_(ni)(x)=W_(ni)(x,X_1,X_2,…,X_n)(i=1,2,…,n) are weight functions. Devroye and Chen Xiru established the strong consistency of m_n(x). In this paper, we discuss the case that{Y_i} are censored by {t_i}, where{t_i} are i.i.d. random variables and also independent of{Y_i}. Under certainconditions we still obtain the strong consistency of m_n(x).     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

关于Lekkerkerker格点分布定理的注记

<正> §1 引言我们用 x,c 等表示 n 维实矢量,用|x|=|(x_1,…,x_n)|=(x_1~2+…+x_n~2)~(1/2)表示矢量 x 的长.用∧表示 n 维格(Lattice),即下面诸矢量的集:u_1α_1+…+u_nα_n,(u_1,…,u_n 为整数),其中 α_1,…,α_n 是 n 维实欧氏空间的一组固定的线性无关矢量,称为∧的基底,并把|det(α_1,…,α_n)|称为格∧的行列式,记为 d(∧),它是不依赖于基底选取的不变量.我们还用∧_0表示以单位矢 e_i(i=1,2,…,n)为基底的格.     

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     

鞅型序列的变换及其收敛性

本文证明了(1)设 Banach 空间 B 为 P 阶光滑的(1≤P≤2),X=(X_n,(?)_n,n≥1)为B 值鞅,v=(v_n,(?)_n,n≥1)为实值可予报序列,鞅变换 Y=(sum from i=1 to n V_i(X_i-X_(i-1)),(?)_n,n≥1)在一定的条件下具有 a.e.收敛性,L~p 收敛性及强(弱)大多数定律成立。(2)Banach空间 B 具有 Radon-Nikodym 性质,X=(X_n,(?)_n,n≥1)为 B 值依概极限鞅,实值可予报序列 V=(V_n,(?)_n,n≥1)满足 sum from i=1 to ∞ E(|V_i|~p)~(1/p)<∝,1相似文献   

On the Pointwisise L_p Convergence Rates of Nearest Neighbor Estimate of Nonparametric Regression Function

Let (X,y) be a R~d×R~1-valued radom vector with E(?)=E(Y|X=x) be the regression funvion of Y with respect to X.Su (X_i, Y_i),i=1, …,n, are iid samples drawn ftc, from (X,Y).(?)desired to estimate m(x) based on these samples,everoye discussed in (?) the pointwise convergence of the nearest neigthoor estimate m_n(X) (see (5) of the present paper). Ih this article we further study the rate of this eonyer-gence.It is shown that if there exists p≥2 sach that E 、|Y|<∞,then for suitabte choice of the weighte C_m (see(4) of the present paper).     

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。     

关于四元数矩阵乘积迹的不等式

设 H~(m×n)为 m×n 四元数矩阵的集合,σ_1(A)≥…≥σ_n(A)为 A∈H~(mxn)的奇异值。本文证明了:1)设 A∈H~(mxm),B∈H~(mxm),r=min(m,m),则|tr(4B)|≤c r σ_i(A)σ_i(B).2)设 A_i∈H~(mxm),i=1,2,…,n,(A_1A_2…A_n)k为 A_1A_2…A_n 的任一个 k 阶主子阵,则|tr(A_1.A_2…A_n)_k|≤sun form i=1 to k σ_i(A_1)…σ_i(A_n).我们还得到四元数矩阵迹的其它一些不等式。这些结果推广和改进了文[1],[2]中的结果,进一步解决了 Bellman 猜想。     

关于回归函数核估计的正态逼近速度

§1.引言和主要结果 设{(X_i,Y_i);1≤i≤n}为来自二元总体的iid样本。对于回归函数r(x)=E(Y|X=x)的估计问题,早在1964年,Nadaraya首先在文献[1]中提出了如下的核估计     

量测误差为 ARMA 过程的随机逼近

为了求回归方程 h(x)=0的根 x~0,根据对回归函数 h(·)的量测,在 i 时刻对x~0的估计为 x_i,在 i+1时刻对回归函数在 x_i 处进行量测,但量测量 y_(i+1)带有误差ε_i:y_(i+1)=h(x_i)+ε_i,而误差是相关的,构成一个 ARMA 过程:ε_(n+1)+D_1ε_n+…+D_dε_(n-d+1)=ω_(n+1)(x_n,ω)+C_1ω_n(x_(n-1),ω)+…+C_rω_(n-r+1)(x_(n-r),ω),其中 ω_(i+1)(x_i,ω)是一个鞅差序列,熟知的定理讨论的是 d=0,r=0的特例,并要求 ω_(i+1)(x_i,ω)相互独立.本文给出一个随机逼近算法,并给出条件,当 n→∞时,x_n(?)x~0 a.s..这个结果对d=0,r=0的特例,和熟知的事实相比,不仅在噪声的性质上,而且对 h(·)及E‖ω_(n+1)(x,ω)‖~2的控制函数,y_(i+1)和 x_i 的维数差别等方面都减弱了条件.     

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     

一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

Banach空间非扩张映像不动点强收敛定理

设E是具弱序列连续对偶映像自反Banach空间, C是E中闭凸集, T:C→ C是具非空不动点集F(T)的非扩张映像.给定u∈ C,对任意初值x0∈ C,实数列{αn}n∞=0,{βn}∞n=0∈ (0,1),满足如下条件:(i)sum from n=α to ∞α_n=∞, α_n→0;(ii)β_n∈[0,α) for some α∈(0,1);(iii)sun for n=α to ∞|α_(n-1) α_n|<∞,sum from n=α|β_(n-1)-β_n|<∞设{x_n}_(n_1)~∞是由下式定义的迭代序列:{y_n=β_nx_n (1-β_n)Tx_n x_(n 1)=α_nu (1-α_n)y_n Then {x_n}_(n=1)~∞则{x_n}_(n=1)~∞强收敛于T的某不动点.     

非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

由谱数据数值稳定地构造实对称带状矩阵

§1.引言 设r,n是正整数并且0r有a_(ij)=0.     

非线性最优化条件在企业管理决策中的应用

<正> 在本文中我们讨论非线性的经济管理数学模型(?)这里,n 维向量 x 的第 k 个分量 x_k 表示第 k 个生产活动(共有 n 个基本生产活动)的活动水平;g_i(x)和 h_i(x)表示生产活动中耗费的生产因素,如劳动力、能源、土地、原材料等等.详细一点讲,参量 y_i(i=1,…,p)表示生产运行可能获得的资源数,函数 g_i(x)(i=1,…,p)就表示当生产在活动水平 x 处进行时所需要的资源数;参量 y_i(i=p+1,…,r)是企业运行时需要生产或使用的物料或服务,而函数 h_i(x)(i=p+1,…,r)就定义了活动水平 x 需要生产或使用的物料或服务的量;最后,f(x)表示生产在水平 x处进行时企业的收益.     

刀切 U-统计量和 Von-Mises 统计量函数的强逼近

设 Y_i=(Y_(1i),…,Y_(ki)),i=1,…,n 为 k 维 i.i.d.随机样本,θ=(θ_1,…,θ_k)'为总体的未知参数,设存在 k 个正整数 m_t(≤n—1),t=1,…,k,及 k 个分别为 m_1,m_2,…,m_k 元对称的 Borel 可测函数     

Some Existence Theorems on Path Factors with Given Properties in Graphs

A path factor of G is a spanning subgraph of G such that its each component is a path.A path factor is called a P≥_n-factor if its each component admits at least n vertices. A graph G is called P≥_n-factor covered if G admits a P≥_n-factor containing e for any e ∈ E(G), which is defined by[Discrete Mathematics, 309, 2067–2076(2009)]. We first define the concept of a(P≥_n, k)-factor-critical covered graph, namely, a graph G is called(P≥_n, k)-factor-critical covered if G-D is P≥_n-factor covered for any D ? V(G) with |D| = k. In this paper, we verify that(i) a graph G with κ(G) ≥ k + 1 is(P≥2, k)-factor-critical covered if bind(G) 2+k/3;(ii) a graph G with |V(G)| ≥ k + 3 and κ(G) ≥ k + 1 is(P≥3, k)-factor-critical covered if bind(G) ≥4+k/3.     

关于极限引理的一些应用

本文首先推广定义 n-可加速集,给出 n-非可加集与 n-低度之间的关系.证明 r.e.度(?)使得存在 r.e.n-可加速集 A≡_n(?)当且仅当(?)~(n)>(?)~(n).然后运用极限引理到 H_n 的描述中,证明 r.e.度(?)包含一个 n-极大集 A≡_n(?)当且仅当(?)∈H_n,i.,e.(?)~(n)≥(?)~(n+1)且(?)∈H_n 当且仅当存在一个度≤(?)的函数 f,n-do-minate 每个递归函数.