非对称损失函数下Burr Ⅻ型分布可靠性指标的Bayes估计

本文研究了R=P(Y＜X)在两种非对称损失函数下的Bayes估计问题,其中随机变量X和Y相互独立且服从不同的Burr XII型分布.利用Lindley近似方法,获得了Bayes估计的显式近似表达式,通过随机模拟比较了不同损失函数下的Bayes估计的性质.     

关于回归函数核估计的渐近正态性

令(X,Y)是具有联合密度f(x,y)的二元随机变量。如果EY有限,则称m(x)=E(Y|X=x)为Y关于X的迴归函数.假设(X_1,Y_1),…,(X_n,Y_n)是来自二元总体(X,Y)的一个随机样本,那么迴归函数的核估计定义作其中K是一元密度函数,{h_n}是一列收敛于0的正数.在Y有界且nh_n~2→∞的条件下,证明了(nh_n)~(1/2)(m_n(x)-Em_n(x))依分布收     

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．     

截断情况下独立随机变量样本均值和方差的近似分布

设X1，X2……Xn为非负随机变量，相互独立具有共同的分布函数F(t)，Y1，Y2……Yn是相应的干扰随机变量，非负，相互独立具有共同的分布G(t)，并且Xi与Yi也相互独立，文章在仅能观察到Zi=min(Xi，Yi)．δi=I(Xi≤Yi)，i=1，2……，n和假设G已知的情况下．分别定义了F的均值和方差的估计量，并求出了估计量的近似分布．     

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     

加权经验累计分位函数的弱收敛

记(X,Y)为二元随机变量,F(x)为X的边缘分布函数.定义Y关于X的分位回归函数为h(u)=E(Y|F(X)=u),记S(u)=∫u0J(t)h(t)dt为加权累计分位回归函数,其中J(@)为权函数.本文讨论了S(u)的经验版本的弱收敛性质.     

非参数回归模型中回归函数的估计的渐近性质

§1.引言 考虑下列的回归模型:Y在X=x的条件之下的分布密度为f(y|X=x)=p(y-θ(x)),(1.1)其中p(y)满足条件回归函数θ(x)为下列集合的成员之一存在,x∈U},(1.3)其中U是一个开区间,θ~(p)(x)表示θ(x)的p阶导数。又设随机变量X的分布密度为q(x),它在X的支撑U上为连续正函数。现在设(X_1,Y_1),…,(X_n,Y_n)是(X,Y)的     

非参数回归函数的随机窗宽核估计的重对数律

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为 i.i.d.二维随机变量序列,具有联合分布F(x,y)及密度 f(x,y).X 的边际分布和密度分别记为 F_X(x)和 f_X(x).记 m(x)=E{Y|X=x)}为 Y 对 X 的回归函数.为估计 m(x),Nadaraya 和 watson 独立地引进了如下形式的核估计     

截尾样本下回归函数改良核估计的强相合性

设(Xi,Yi),i=1,,n是从取值于\Rd×R1的随机向量(X,Y)中抽取的i.i.d.样本,E(|Y|)<∞,而以m(x)=E(Y|X=x)表示回归函数。在截尾情况下,观察到的不是诸Yi本身,而是Zi=min(Yi,Ti)及δi=I(YiTi),其中Ti是与(Xi,Yi)独立的随机变量,i=1,2,…,n.当T的分布未知时,在一定条件下,得到了回归函数改良估计的强合性.     

关于确定二维连续型随机变量(X,Y)函数aX+bY的概率分布的方法

阐述了关于确定二维连续型随机变量(X,Y)函数aX+bY概率分布的多种方法.     

逐次二型截尾样本下BS分布可靠度R=P(Y＜X)分析

基于逐次二型截尾样本,用Bayes方法估计可靠度R=P(Y＜X),并对未观测样本进行预测,其中随机变量X 和Y均服从参数未知的BS分布(Birnaum-Saunders distribution).首先,在不同损失函数下分析BS分布参数和可靠度的Bayes估计.由于Bayes估计不能得到显式表达式,因此采用基于 Met...     

数据缺失机制不明确时的分布函数估计

研究了在数据缺失机制不明确时如何估计随机变量Y的分布函数FY(y),该问题不同于可以用参数模型刻画数据缺失机制时的情形,考虑到此时可能出现不可识别现象,获取一些辅助信息是必要的.借助一个可以完全观察到的随机变量X提供必须的辅助信息,构造了随机变量Y的分布函数Fy(y)的估计量,并研究了它的大样本性质.     

谈二维随机变量的函数的分布函数

设二维随机变量 (X,Y)的概率密度为 f (x,y) ,二维随机变量的函数是 U =U(x,y) ,则U的分布函数为FU(u) =P{ U≤ u} = Gf (x,y) dxdy,G:u(x,y)≤ u,(-∞ 0 .将此…     

非参数回归函数的基于截尾数据的估计

本文考虑截尾数据情况下非参数回归函数m(x)=E(Y|x)的估计。具体地讲,我们面对的是这样的数学模型:T是与(X,Y)独立的随机变量,我们观测到的不是Y本身,而是Z=min(Y,T)及δ=[Y≤T]。今有训练样本{(X_i,Z_i,δ_i)}_(i-1)及当前样本(X,z,δ),记ξ_i(·)=[z_i≥·], N~ (·)=sum from i=1 to n ξ_i(·), V_n(·)=multiply from i=1 to n{1 N~ (z_i)/2 N~ (z_i)}~[δ_i=_i<0], U_n(·)=sum from i=1 to n Wnt(x)ξ_i(·), 令 m_n(x)=integral from 0 to u_n U_n(y)|V_n(y)dy, 其中u_n=F_2~(-1)(n~(-a)),0<α<1/2为一实常数,F_2(·)=P(Y≥·)为Y的(右侧)分布函数。在权函数{W_(ni)(x)}_(i=1)~n及(X,Y,T)的分布函数满足一组条件下,我们证明了m_n(x)为m(x)的强相合估计,即:m_n(x)→m(x),a.s.(n→ ∞).     

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     

回归函数的最近邻估计之大偏差概率的指数率

设(X,Y)是取值于 R~d×R~1 的随机变量,其 X 的边缘分布为 v,Y 关于 X 的条件分布函数为 F(y|x).于是变量 Y 关于 X 的回归函数即条件期望为r(x)=∫_(R~1)ydF(y|x).(1.1)设(X_1,Y_1),…,(X_n,Y_n)是(X,Y) 的一组独立观测值,或称为(X,Y)的一组样本.对固定的 x∈R~d,记(R_(1,x)~(?),…,R_(n,x)~(?)为(1,…,n)的一个随机置换,     

关于DMRL序的若干结论（英文）

设X,Y为非负绝对连续随机变量,X,Y分别具有各自的分布函数F_X,G_Y,使得F_X(0)=G_Y(0)=0,右连续的反函数F_X~(-1),G_Y~(-1),与生存函数F_X,G_Y.记X≤_(dmrl)Y,称X在DMRL(递减的平均剩余寿命)序下比Y小,如果函数∫_G_Y~(-1)(p)~∞G_Y(x)dx/∫_F_X~(-1)(p)~∞F_X(x)dx关于p∈(0,1)递增.考察了DMRL序的特征性质,获得了若干封闭与逆封闭性质.同时,给出了满足DMRL序的若干说明性实例.     

二维连续型随机变量函数的密度公式及计算

本文直接利用积分推导出了二维连续型随机变量函数Z=g（X，Y）的密度函数的计算公式并进行了推广．同时介绍了比文献[1]更简捷的确定积分限的方法．     

关于两个随机变量的线性关系

设 X,Y 是定义在同一概率空间(Q,(?),P)上的随机变量.称 X 的任意线性形aX+b 为 Y 的一个线性预报.我们要讨论用什么样的线性预报来表达 X,Y 之间的线性关系是合理的.通常是使用均方误差(M.S.E)最小准则,即由 E[Y-(aX+b)]~2取极小来确定 a 和 b.由此得到的线性预报,记为 a_0X+b_0,称为 Y 关于 X 的线性回归.其中 a_0=cov(X,Y)/Var(X),b_0=E(T)-a_0E(X).类似地可定义 X 关于 Y 的线性回归,记为a′_0Y+b′_0,并定义 X,Y 的相关系数为     

连续随机变量的随机独立性与回归独立性

回归独立性是指给定随机变量 X时 ,随机变量 Y的条件期望 E( Y|X)不依赖于 X.前人讨论了离散型随机变量回归独立性与随机独立性的关系 ,得到了二者等价的充分必要条件 .对连续型随机变量的情形加以讨论 ,获到了二者等价的几个充分必要条件 ,并说明在统计分析中的应用 .