方差估计的随机加权逼近及随机加权法在抽样调查中的初步应用

设X_1,X_2,…是一组独立同分布的随机变量序列,其方差μ_2是待估参数,当x_4,i=1,2,…,n,给定下,用D_n=sum from i=1 to n(V_(ni)(X_i-sum from i=1 to n(V_(ni)X_i)~2)-1/n sum from i=1 to n(X_i-X)~2的条件分布来渐近T_n=(1/n)sum from i=1 to n(X_i-X)~2-μ_2的分布。这里D_n中的V_(ni),i=1,2,…,n,是服从 Dirichlet分布D(4,4,…,4)的随机变量。若记 F_n和F_n~*分别是T_n/(VarT_n)~(1/2)的分布和D_n/(Var~*D_n)~(1/2)的条件分布,其中Var~*D_n是关于X_1,X_2,…的条件方差。则在一定条件下,对几乎所有的样本序列X_1,X_2,…, (i)n~(1/2)D_n→N(0,μ_4-μ_2~2) 其中μ_4=E(X_1-μ)~4,μ=EX_1 ii)n(1/2)sup|F_n~*(y)-F_n(y)|=0(1) iii) lim sup |F_n~*(y)-F_n(y)|=0 最后,本文对随机加权法如何应用于抽样调查之中,进行了一个初步的尝试。     

ρ~--混合序列自正则部分和之和乘积的几乎处处中心极限定理(英文)

设X,X_1,X_2(,···是一严平稳的)ρ~--混合随机变量序列.在满足一定的条件下,证明自正则部分和之和乘积(k∏i=1T_4/i(i+1)μ/2)~(μ/βV_k)的几乎处处中心极限定理,其中Sn=∑_(i=1)~nX_i,V_n~2=∑_(i=1)~nX_i~2,Tn=∑_(i=1)~nSi.     

方差分量组合的非负二次估计的可容许性

设有方差分量模型Y=X_β+U_(1ε1)+…+U_(NεN),其中XU_i已知,ε_1,…,ε_1相互独立。Eε_(if)=0,Eε_(if)~2=σ~2,Eε_(if)~3=0.Eε_(if)~4=3σ_i~4,这里(ε_(i1),…,ε_(in_i)εi。(β,σ~2)∈R~n×Ω为未知参数。Ω={(σ_1~2,…,σ_N~2):0≠sum from i=1 to n σ_i~2U_iU'_i≥0}。本文给出了Y'AY是sum from i=1 to n f_iσ_i~2在损失(Y'AY-sum from i=1 to N f_iσ_i~2)~2下在类{Y'BY:B≥0}中可容许估计的一个充分条件。同时也给出了Y'AY+l'Y+a是sum from i=1 to N f_iσ_i~2的可容许估计(在类{Y'BY+m'Y+b}中)的一个充要条件。研究了非负二次估计与局部最优估计之间的关系。     

混合的极限律及其在极值理论中的应用

1.引言.在随机变量的三角阵 X_(j,n),1≤j≤N(n),n=1,2,…中,我们考虑X_(1,n),…,X_(N,n)的顺序统计量X_(1,n)~*≤X_(2,n)~*≤…≤X_(N,n)~*,N=N(n).本文考虑两种情况:(1)X_(1,n),…,X_(n,n)是随机变量的可换无穷序列之一段;(2)X_(1,n),…,X_(N,n)是 i.i.d.随机变量,N=N(n,ω)是与这些 X_(j,n)独立的正整数值随机变量.为证明关于极值的极限定理,本文首先讨论了混合的可识性,推广了[1]中的结果.本文还讨论了关于混合的极限律,对[2]中的定理2.1作了两方面的推广.对上面提到的(1)和(2)这两种情况,[2]得出第 k 个上极值的极限分布存在的充     

正态—正态模式下,结构串联系统可靠度的置信下界

设X_1,…,X_niid.～N(μ,σ~2),Y～N(0,1),Y与X_1,…,X_n独立,Z_1,…,Z_m为N(μ,σ~2)的iid.样本,σ~2已知,μ未知,本文证明R=P_r{X_1≥Y,…,X_n≥Y}的MVUE存在的充要条件是m≥nσ~2/n+σ~2,得到R的MVUE和UMA置信下界。     

正态分布参数的渐近最优经验 Bayes 估计的收敛速度

§1.引言设 X_1,…,X_m(m≥2)为取自 N(μ,σ~2)的 i.i.d.样本.记(?)=1/m ∑x_i,s~2=∑(x_i—(?))~2,则 w=((?),s~2)为完全充分统计量,其联合概率密度为     

两类分布函数的投影寻踪随机经验分布的极限分布

X为m维随机向量,X_1,X_2,…,X_n是来自母体X的子样,Z～N_m(0,I_m),{B_m>0}为实数列,经验分布 F~n_(Z/(BM))(x)=1/n#{i:Z＇X_4/B_40,X～N_m(u,V),若M→∞时, B_m~(-2)T_r(V)→σ~2,B_M~(-2)∥u∥~2→0,B_m~(-2)(T_r(V_2) 2u＇Vu)→0,那么 F_n~(Z/(Bm))(x)(?)N(0,σ~2) 当n→∞ m→∞。     

关于误差方差估计渐近正态收敛速度的上,下界

考虑线性回归模型 Y_■=x_4~′β+e_■ i=1,2,…设误差序列■,i≥1满足条件:e_■ i≥1 i.i.d.,Ee_1=0,Ee_1~2=σ~2>0,∞>Var e_1~2=τ~2>0。记■_n~2=1/(n-r){sum from j=1 to n e■-sum from k=1 to r (sum from j=1 to n a_(akj)■_j)~2} δ(n)=τ~(-2)E(■_1~2-σ~2)~2I_((|■-σ~2|≥■τ)+τ~(-3)n~(1/2)|E(■_1~2-σ~2)~3I_((|■_1~2-σ~2|<(nτ)~(1/2))+τ~(-4)n~(-1)E■_1~2-σ~2)~4I_((|■-σ~2|0使得■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|≤C(δ(n)+n~(-1/2)) ■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|+n~(-1/2)≥C_1δ(n)。     

一类非平稳高斯序列超过数点过程与和的渐近性

设{X_i}_(i=1)~∞是标准化非平稳高斯序列,N_n为X_1,X_2,…,X_n依次对水平μ_(n1),μ_(n2),…,μ_(nn)的超过数形成的点过程.记Υ_(ij)=X_iX_j,S_n=■X_i.当Υ_(ij)满足一定条件时,证明了N_n依分布收敛到Poisson过程,且N_n与S_n渐近独立.     

可换序列上,下极值的联合渐近分布

设X_(j,n),1≤j≤N,n=1,2,… 为一r.v.三角阵,X_(1,n),…,X_(N,n)的顺序统计量为 X_(1,n)~*≤X_(2,n)~*≤… ≤X_(N,n)~* [1]考虑了两种情况:(i)N=n,X_(1,n),…,X_(n,n)为可换r.v.无穷序列的一段及(ii)X_(1,n),…,X_(N,n)为i.i.d.r.v.,N=N(n,ω) 为与这些X_(j,n)独立的正整值r.v.,并给出     

方差分量模型中回归系数的线性Minimax估计

考虑方差分量(混合线性)模型y=Xβ+U1ξ1+U2ξ2+…+Ukξk,这里Xn×p,Ui,n×ti为已知设计矩阵,βp×1是固定效应,iξ是ti×1随机效应向量,满足E(iξ)=0,cov(iξ)=σ2iIti,iξ都不相关.往往Uk=In,ξk=ek,即最后一项为随机误差,热β∈RP和i2σ>0(i=1,2,…,k)为未知参数.我们考虑β的可估函数Sβ,选取二次损失函数L(d,Sβ)=(d-Sβ)′(d-Sβ)∑ki=1ciσi2+β′X′Vk-1Xβ,然后在线性估计类中给出Sβ的惟一的mini max估计.     

正則的嘉當空間極小超曲面的柯什密德不變量和附屬微分方程

<正> 本文是繼作者前篇論文之後的;目的在於詳細研究該文末節所論的關於拓廣的微小變形問題.和芬斯拉空間相類似地有E.Cartan所建立的以面積概念為基礎的     

U-统计量的精致渐近性

设{X_n．n≥1}是一非退化的i．i．d．随机变量序列,U_n是以二维Borel可测对称函数h(x,y)为核函数的U-统计量．记U_n=2/(n(n-1))Σ_≤i≤j≤nh(X_i,X_j)．本文分别在核函数h(x,y)只有4/3阶矩或4/3+δ,0＜δ≤1的情况下,对非常广泛的一类权函数(x)与边界函数b(x)得到了如下关于U-统计量U_n的精致渐近性:不仅使得已有的结果成为我们的特况,还大大降低了其中的矩条件．     

局部β-凸空间L~β(μ,X)(0＜β≤1)的共轭锥的次表示定理

对于0β≤1,有限测度空间(Ω,Σ,μ)与Hilbert空间X,本文研究向量值局部β-凸函数空间L~β(μ,X)的共轭锥[L~β(μ,X)]_β~*的表示问题.在赋范锥(X_β~*,‖-‖)对μ满足Randon-Nikodym性质的条件下,证明次表示定理[L~β(μ,X)]_β~*(?)L~∞(μ,X_β~*).     

半单重特征值的条件数

此处θ(x_1,y_1)表示分别由x_1与y_1所张成的两个1维子空间之间的夹角.Wilkinson指出,s_1~(-1)的大小反映了λ_1对于A的元素的变化的敏感性程度,因此s_1~(-1)被叫做单特征值λ_1的条件数. 现设λ_1是A的半单m_1重特征值(即λ_1的初等因子均为线性),?_1与?_1分别     

一类次椭圆方程弱解的正则性

在区域Ω上考虑一类由退化向量场形成的Schrodinger方程： ∑i,j=1^mXi^＊（aij（x）Xju）-vu=0 其中X1,…,Xm为R^n（n≥）3上满足Hormander条件的实C^∞向量场,Xi^＊为Xi的形式共轭,v属于Kato类的某一类比Kη^loc（Ω）.并得到以下结果：若u为以上方程的弱解,则｜Xu｜^2w=∑i=1^m｜Xiu｜^2w∈Kη^loc（Ω）.     

拟线性次椭圆方程组在Morrey空间上的部分正则性

证明了拟线性次椭圆方程组-X_α~*(a_(ij)~(αβ)(x,u)X_βu~j)=-X_α~*f_i~α+g_i,i=1,2,…,N,x∈Ω的弱解广义梯度Xu在Morrey空间L_x~(p,λ)(Ω,R~(mN))(p2)上的部分正则性,其中光滑实向量场族X=(X_1,X_2,…,X_m)满足H(o|¨)rmander有限秩条件,X_α~*是X_α的共轭;而且主项系数a_(ij)~(αβ)(x,u)关于x一致VMO(Vanishing Mean Oscillation的缩写,消失平均震荡)间断,且关于u为一致连续.     

Limit distributions of upper order statistics for families of multivariate distributions

We consider a portfolio of dependent exchangeable random variables , where the dependence structure is generated by a mixture model (Archimedean copulas belong to this class of models). Define the ordered sample . We prove results of the following type: fix and choose appropriately, then converges in distribution to a random vector as , for which we can explicitly give the distribution.     

一類三角和數的表示式及其近似估值

<正> §1.本文的主要目的是要證明下面的結果: 定理1.設q_1,q_2為二正整數.合     

Theorems on Large Deviations for Randomly Indexed Sum of Weighted Random Variables

In this paper, we consider a random variable \(Z_{t}=\sum_{i=1}^{N_{t}}a_{i}X_{i}\), where \(X, X_{1}, X_{2}, \ldots\) are independent identically distributed random variables with mean E X=μ and variance D X=σ ²>0. It is assumed that Z ₀=0, 0≤a _i <∞, and N _t , t≥0 is a non-negative integer-valued random variable independent of X _i , i=1,2,…?. The paper is devoted to the analysis of accuracy of the standard normal approximation to the sum \(\tilde{Z}_{t}=(\mathbf{D}Z_{t})^{-1/2}(Z_{t}-\mathbf{E}Z_{t})\), large deviation theorems in the Cramer and power Linnik zones, and exponential inequalities for \(\mathbf{P}(\tilde{Z}_{t}\geq x)\).