最近邻预测问题中条件风险估计的强收敛速度

设(X_4,θ_4),i=1,2,…,n,是d 1维随机向量(X,θ)的iid.样本。又设L_n是平方损失下最近邻(简记为NN)预测在给定(X_4,θ_4),i=1,2,…n条件下的风险。众所周知,在一定条件下L_n→2E~*,a.s.,这里R~*表示Bayes风险。L_n的NN估计定义为其中θ_(nj)表示以(X_1,θ_1),…,(X_(j-1),θ_(j-1),(X_(j 1),θ_(j 1),…,(X_n,θ_n)为训练样本时,通过X_j=x_j对θ_j所做的NN预测。本文在E|θ|~(2 δ)<∞(δ>0)以及其他一些条件下证明了其中ξ是一个事先任意给定的近于0的正常数。     

NA样本部分线性模型估计的强相合性

考虑回归模型:Y~((j))(x_(in),t_(in))=t_(in)β+g(x_(in))+σ_(in)e~((j))(x_(in)),1≤j≤m,1≤i≤n,其中σ_(in)~2=f(u_(in)),(x_(in),t_(in),u_(in))为固定非随机设计点列,β是未知待估参数,g(·)和f(·)是未知函数,误差{e~((j))(x_(in))}是均值为零的NA变量.给出基于g(·)和f(·)一类非参数估计的β的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的强相合性.     

等距节点上(0,3)插值五次样条

§1.引言 设f(x)是定义在[0,1]上的连续函数,n是自然数。记h=1/n, f_v~((r))=f~((r))(vh),v=0,1,…,n;r=0,1,…,5, f_(v 1/2)~((r))=f~((r))((v 1/2)h),v=0,1,…,n-1;r=0,1,…,5, ω_r(j)=max |f~((r))(x_1)-f~((r))(x_2)|,r=0,1,…,6. |x_1-x_2|≤h 0≤x_1,x_2≤1又设s(x)是[0,1]上满足(i)s(x)∈C~3[0,1],(ii)在[vh,(v 1)h]上s(x)∈∏_5,v=0,1,…,n-1的五次样条.它们的全体记为?_(n5)~((3)) .     

交比和Poincaré度量在平面拟共形映射下的偏差

研究了交比和Poincaré度量在平面拟共形映射下的偏差估计,得到了如下两个结果(1)若f是■~2到■~2上的k-拟共形映射,则对任意x_1,x_2,x_3,x_4∈■~2有16~((1/k)-1)(|(x_1,x_2,x_3,x_4)| 1)~(1/k)■|(f(x_1),f(x_2),f(x_3),f(x_4))| 1 ■16~(k-1)(|(x_1,x_2,x_3,x_4)| 1)~k;(2)若f是R~2到R~2上的k-拟共形映射,D是R~2中的任一真子域,则对任意x_1,x_2∈D有(1/k)λ_D(x_1,x_2) 4((1/k)-1)log 2■λ_(f(D))(f(x_1),f(x_2)) ■kλ_D(x_1,x_2) 4(k-1)log 2.     

有限域上一类方程组的解数公式

设F_q为一个q元有限域,其中q=p~s(s≥1),p是一个奇素数.本文给出下列方程组在F_q上的解数公式:a_(k1)x_1~(d_(11)~((k)))...x_(n_1)~(d_(1n_1)~((k)))+...+a_(k,s_1)x_1~(d_(s_1,1)~((k)))...x_(n_1)~(d_(s_1,n_1)~((k)))+a_(k,s_1)+1x_1~(d_(s_1+1,1)~((k)))...x_(n_2)~(d_(s_1+1,n_2)~((k)))+...a_(k,s_2)x_1~(d_(s_2,1)~((k)))...x_(n_2)~(d_(s_2,1)~((k)))...x_(n_2)~(d_(s_2,n_2)~((k)))=b_k,k=1,...,m,其中0s_1s_2,0n_1n_2,a_(ki)∈F_q~*,b_k∈F_q,d_(ij)~(k)0(k=l,...,m,i=1,...,s_2,j=1,...,n_2).特别当ms_1≤n_1,ms_2≤n_2,d_(ij)~(k)满足一定条件时,得到了明确的解数公式.     

有关顺序统计量的极大似然估计

讨论了一类参数空间受样本限制的极大似然估计问题.分析了随机变量分布的非零区域与似然函数定义域的对应关系,提出如果分布的非零区域受参数限制,则无论似然方程是否可解,参数的极大似然估计必然与样本顺序统计量X_((n))或X_((1))有关,并具体分析了似然估计一定等于、一定不等于和可能等于顺序统计量X_((n))(X_((1)))的三种情形,并给出了相应的判别条件.最后分析得出在第三种判别条件之下,似然估计是否取值于x_((n))(x_((1)))视具体的样本观测值决定.     

亚纯函数的齐次微分多项式和幅角分布

本文研究亚纯函数结合齐次微分多项式的Borel型奇异方向的存在性问题.特别得到ρ(0<ρ<∞)级亚纯函数f(z)关于f(z)-φ_1(z)和f~((k))(z)-φ_2(z)的幅角分布结果,这里k为任意正整数,φ_j(z)(j=1,2)为级小于ρ的任意亚纯函数且φ_1~((k))(z)φ_2(z).     

在Banach空间中推广的Roper-Suffridge算子(Ⅲ)

假定X是具有范数‖·‖的复Banach空间,n是一个满足dim X≥n≥2的正整数.本文考虑由下式定义的推广的Roper-Suffridge算子Φ_(n,β_22γ_2,…,β_(n+1),γ_(n+1))(f):(?)其中x∈Ω_(p1,p2,…,pn+1),β_1=1,γ_1=0和(?)这里p_j1(j=1,2,…,n+1),线性无关族{x_1,x_2,…,x_n}(?)X与{x_1~*,x_2~*,…,x_n~*}(?) X~*满足x_j~*(x_j)=‖x_j‖=1(j=1,2,…,n)和x_j~*(x_k)=0(j≠k),我们选取幂函数的单值分支满足(f(ξ)/ξ)~(β_j)|ξ=0=1和(f′(ξ))~(γ_j)|ξ=0=1,j=2,…,n+1.本文将证明:对某些合适的常数β_j,γ_j,算子Φ_(n,β_2,γ_2,…,β_(n+1),γ_(n+1))(f)在Ω_(p_1,p_2,…,p_(n+1))上保持α阶的殆β型螺形映照和α阶的β型螺形映照.     

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.     

环内亚纯函数的特征函数

应用亚纯函数的Nevanlinna理论,研究了定义在圆环内的亚纯函数的特征函数.证明了定义在圆环内的具有最大亏量和的有限级允许亚纯函数f(名)与其各阶导函数f~((k))(z)的特征函数之间满足如下关系:当δ_0(∞,f)=1时,T_0(r,f~((k)))~T_0(r,f)(r→+∞);当δ_0(∞,f)=0时,T_0(r,f~((k)))~(k+1)T_0(r,f)(r→+∞),其中k为任意正整数.所得结果推广了定义在全平面上亚纯函数的一些相关结果.     

ON UNIQUENESS OF SOLUTION TO POINTWISE LANDAU PROBLEM ON THE FINITE INTERVAL

1. Introduction Let W_∞~((r)) (β) = {f| f∈W_∞~((r)) [-1,1], ||f||_(C[-1,1]) β, ||f~((r))||_∞ 1}.In this paper, we will consider the following Landau problem:λf~((k))(ξ) + μf~((k-1)) (ξ) →inf, f∈W_∞~((r)) (β), (1.1)where ξ∈[-1,1], 1(?)k(?)r-1, and λ, μ real and not all zero, (if k=1,suppose λ≠0 in addition ). A. Pinkus studied it first. To begin with, we introduce some fundamental definitions anddenotions. The perfect spline f, which satisfies || f~((r))||_∞ = 1 andhas n knots and n+r+1 points of equioscillation in [-1,1], isdenoted by x_(nr), which is refered as Tchebyshev perfect spline. And     

套代数上的高阶全可导点

令N是Hilbert空间H上的非平凡完备套.若线性映射φ={φ~((n))}_(n∈N)满足对任意n∈N以及S,T∈alg N,且ST=G,φ~((n))(sT)=∑_(i+j=n)φ~((i))(S)φ~((j))(T),则称φ为alg N上的G点高阶可导映射.若G点高阶可导映射φ={φ~((n)))}_(n∈N)为高阶导子,则称G为alg N上的高阶全可导点.本文证明了,G∈alg N为高阶全可导点当且仅当G≠0.     

THE STRONG CONSISTENCY OF ERROR PROBABILITY ESTIMATES IN NN DISCRIMINATION

Let(X,θ),(X_1,θ_1),…,(X_n,θ_n)be iid.R~d×{1,2,…,s}-valued random vectors and letL_n be the posterior error probability in NN(nearest neighbor).diserimination.Someknowledge of the unknown value of L_n is of great meaning in many applications.For thisaim,in 1971,T.J.Wagner introduced an estimate of L_n which is defined by_n=1/nI(θ_j≠θ_(nj)),where θ_(nj) is the NN discrimination of θ_j based on the training samples(X_1,θ_1),…,(X_(j-1),θ_(j-1)),(X_(j+1),θ_(j+1)),…,(X_n,θ_n).Then he showed that _nR,where R is the limit ofthe prior error probability.But the problem of“)nR” is still left open since thattime.In this paper,it is shown that for any s>0,there exist two positive constants a andC such that P(丨_n-R丨≥ε)≤Ce~(-an).By this it is clear that _nR.     

二元相依Weibu11分布的参数估计(英文)

考虑生存函数为F(x_1,x_2)=exp{-[(x_1~(1/α)/θ_1)~(1/δ) ((x_2~(1/α)/θ_2)~(1/δ)]~δ},x_i>0,θ_i>0,i=1,2,α>0,0<δ≤1的二无相依Weibull分布。基于在Ⅰ型截尾情形下两个元件与串联系统的寿命试验数据,本文给出了未知参数θ_1,θ_2,α和δ的估计,并讨论了这些估计的渐近性质。本文还给出了随机模拟的结果。     

多元线性模型中一个二次估计的非负最优性

考虑如下的多元线性模型 Y=X’_1BX_2+Us,(1)其中ε=(ε_((1)),ε_((2)),…,ε_((r)))’是r×p阶随机矩阵,满足 本文给出了trC∑~*是trC∑的一致最小方差非负二次无偏估计(UMVNQUE)的充要条件,其中∑~*是∑的在一定意义下的最小二乘估计(LSE),C是任一非负定阵。     

样条单边逼近

[x_(j-1),x_j,x_(j+1)]q'x表示q(x,t)关于x的导数之阶差商,特别规定x_(-1)=x_0-h_0,h_0=h_1。 考虑到q_x~((3))(x,t)≥0和计及(1.3)、(1.4)有:     

判断Birkhoff插值矩阵平衡性的一些方法

<正> Birkhoff 插值问题可以描述为:设E=(e_(ij))_(i=0,j=0)~(k+1 n)是一个0,1矩阵(或插值矩阵),其中恰有n+1个1,设x_0相似文献   

一类高阶拟线性方程两点边值问题的奇摄动

本文考虑高阶拟线性微分方程边值问题:εy~(n)=f_1(t,ε,y,……,y~((n-2)))y~((n-1))+f_2(t,ε,y,……,y~((n-2)))0相似文献   

一类广义样条插值

设△:0=x_0相似文献   

单位上三角矩阵群的注记

记Tr_1(n,Z)是整数环Z上对角线元素全是1的全体上三角矩阵组成的群,k_(ij)(1≤i相似文献