基于R~d上核密度估计的对称检验的大偏差（英文）

设f_n是基于一个核函数K和取值于R~d的独立同分布随机变量列的一个非参数核密度估计.本文推广了在He和Gao(2008)中相应大偏差的结果,即证明统计量sup x∈Rd|f_n(x)-f_n(-x)|的大偏差.     

基于R~d上核密度估计的对称检验的中偏差

设f_n是基于一个核函数K和取值于R~d的独立同分布随机变量列的一个非参数核密度估计.推广了何和高一文中相应中偏差的结果,即证明统计量sup_(x∈R)~d|f_n(x)-f_n(-x)|的中偏差,并给出了两个具体的模拟例子.     

StrongL 1-norm consistency of data based histogram estimates of densities

In this paper we investigate the problem of estimating the d-dimensional probability densityf(x),x∈R~d from a sample of size n.The non-parametric estimator is the data based histogram f_n(x)as defined in (1).Under suitable conditions,we have proved the L_1-norm consistance of this estimate,that is(?)interal from R~α|f(x)-f_n(x)|dx=0, a.s.     

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     

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     

关于密度估计的不变原理

设f(x)为i.i.d随机变量序列X_1,X_2,…共同的分布密度函数,它的核估计为其中h_n↓0,核函数K∈D(-∞,+∞)。 本文首先考虑了由f_n产生的一类D中的随机元的有限维分布的收敛性,然后着重讨论了由f_n产生的另一类D中的随机元在对核函数的适当限制下向正态随机元的弱收敛性。     

R~d中最近邻估计收敛速度与其随机窗宽a_n(x)的关系及应用

J.Kuebles~[1](1976)讨论了核估计收敛速度与其常数窗宽h_n的关系,陈希孺~[2](1981)讨论了一维最近邻估计的一致强收敛速度,柴根象~[3](1984)就多维情况作了讨论,指出:若密度f在R上的二阶导数有界连续,达不到O(n~(-2/7))的数量级,本文在核函数比[2]、[3]大大放宽后,找到了R~d中最近邻估计f_n(x)的收敛速度与其随机窗宽a_n(x)的关系,结果与[1]完全相似。当f满足[3]中条件时,应用本文结果得:对R中任意有界闭集的收敛速度为O((n/loglogn)~(-1/3)),这个速度大大超过O(n~(-2/7))。     

相依随机变量的密度函数的递归核估计的渐近正态性

设{X_n;n≥1}为同分布的ρ-混合序列,其未知密度,f(x)的递归核估计为: f_n(x)=1/n sum from j=1 to n h_j~(-1)K(x-X_j/h_j),本文在适当的条件下,讨论由f_n(x)所产生的随机元的有限维渐近正态性。     

密度核估计的强一致相合性

关于密度函数f(x)的核估计,f_n(x)=(nh_n~d)~(-1)sum from i=1 to (?)(k(x-X_i/h_n)),Devroye和Wagner[1]给出一维情形下,f_n一致强相合于f的一组充分条件,本文给出多维情形下f_n的一致强相合性,而对K和h_n所加的限制是弱的,同时本文改善了徐达明,白志东[2]所得的结果。     

一类核估计强一致收敛的必要条件

§1.引言和结果 设X_1,X_2,…,X_n是来自R~1上的d.f.F(x)的i.i:d.样本,{h_n}是一串正数;K(·)是p.d.f.,令 f_n(X)=1/(nh_n) sum from i=1 to n (K((x-X_i)/(h_n)),x∈R~1. (1) 当F的p.d.f.f存在时,f_n是f的一类重要估计,叫做核估计。关于f_n一致强收敛于f的问题在文献中有很多讨论,所得结果一无例外地要假定f在全直线上一致连续。1969年,E.P.Schuster在[1]中提出了反面的问题:如有函数g,使得     

极限函数的连续性与一致收敛性的关系

<正> 我们知道:如果f_1(x),f_2(x).…,f_n(x)…都在[a,b]上连续且f_1(x),f_2(x)…,f_n(x),…在[a,b]上一致收敛于f(x),那末f(x)必在[a,b]上连续.现在我们提出一个相反的问题:如果f_1(x),f_2(x),…,f_n(x),…都在[a,b]上连续,且f_1(x),f_2(x),…,f_n(x),…在[a,b]上收敛于     

鞅型序列的局部收敛

本文讨论鞅型序列的局部收敛和收敛,主要结果是(1)设(x_n,f_n)是subpramart,(y_n,f_n),(z_n,f_n)是适应可积序列,又x_n≤y_n+z_n,n≥1,若(y_n,f_n)∈C~+UPD,则(2)若(x_n,f_n)是GWT,若sup Ex_n~-<∞且τ∈T,则(x_n)依概率收敛。     

Schrdinger方程的解的概率表示

设{x(t),t≥,0}是 R~d(d≥1)中的 Brown 运动,P_x(·)是自 x 出发的 Brown 运动所产生的 Wiener 测度,E_x(·)表示关于 P_x 的积分,D 是 R~d 中的一个给定的有界区域,τ_D 是 Brown运动 x(t)首出 D 的时刻,q 是 D 内的一个给定的有界 Hlder 连续函数.为了简单起见,我     

相依样本时非参数密度估计的强收敛速度

本文对Loftsgarden和Gucsenberry在文献[1]中提出的概率密度函数f的近邻估计f_n,在样本为φ-混合的情形下,得到了与i.i.d完全相同的结果: (1)f(x)> 0,f满足λ阶Lipschitz条件,选取适当的k_n,在一定的混合速度下,有 lim sup(n/logn)~(λ/(1+2λ)|f_n(x)-f(x)|≤c a.s., (2)f_n在固定点x的渐近正态性, (3)得到了f_n收敛到f时收敛速度的上限。     

Kakeya极大算子及其分数次情形的正则性

研究中心Kakeya(Nikodym)极大算子K_N(N2)及其分数次情形K_(α,N)(0αd)的正则性.特别地,建立了中心分数次Kakeya极大算子K_(α,N)是从W~(1,p)(R~d)到W~(1,q)(R~d)上的有界连续算子,其中1p∞,q=dp/(d-αp)和0≤αd/p.还证明了中心Kakeya极大算子K_N是分数次Sobolev空间W~(s,p)(R~d),非齐次Triebel-Lizorkin空间F_s~(p,q)(R~d)以及非齐次Besov空间B_s~(p,q)(R~d)上的有界连续算子,其中0s1,1p,q∞.此外,也考虑分数次Kakeya极大函数的弱导数的两种点态估计以及其离散情形的正则性.     

关于H~∞的有限生成的闭理想

设Ω为Denjoy区域,g,f_1,…,f_n∈H~∞(Ω)。α(t)为R~+上非负函数,且α(t)/t→0。若满足 (1) (2) (3)存在δ>0,使则。这里I(f_1,…,f_n)为由{f_1,…,f_n}生成的理想,是I(f_1,…,f_n)的闭包。     

区间多项式和区间矩阵的稳定性

考虑 f_n(λ)=λ~n a_1λ~(n-1) …a_n(1)其中a_i∈,i=1,2,…,n.以S_n表(1)的全体.若对f_n(λ)∈S_n,f_n(λ)的所有根的实部均为负,称S_n是稳定的.下面列出本文要用到的灰区间的运算法则: 1°[a,b] [c,d]=[a c,b d]; 2°-[a,b]=[-b,-a],     

基于方向数据的核密度估计的对称检验的大偏差

设$f_n$是基于核函数$K$和取值于$d$-维单位球面${\mathbb{S}}^{d-1}$的独立同分布随机变量列的非参数核密度估计. 我们证明了若核函数是有界变差函数, 随机变量的密度函数$f$是连续的和对称的, $\{\sup_{x\in {\mathbb{SS}}^{d-1}}|f_n(x)-f_n(-x)|,n\ge 1\}$的大偏差原理成立.     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

论一个由递推关系给出的多项式序列

一、引言笔者曾在一个存在性问题的研究中,偶然地引出了如下一个由递推关系给出的多项式序列{f_n(x)}: f_o(x)=1,f_1(x)=r, f_n(x)=xf_(n-1)(x)-f_(n-2)(x),(n≥2)(1) 尽管其存在性问题早已解决,但由此多项式序列又意外地得到了几个有趣的组合恒等式以及一系列三角恒等式,同时还发现了一类三角函数式的求值方法。故书拙文,以求同行斧正, 二、f_n(x)的表达式与f_n(x)的根由于f_n(x)是x的多项式,因而自然地想求出它的表达式,容易用数学归纳法证明下面的定理1 对任意非负整数n,有其中[t]表示不超过实数t的最大整数。(证略) 当n≥5时,n次多项式的根无公式解,因