共查询到20条相似文献,搜索用时 875 毫秒
1.
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. 相似文献
2.
关于回归函数核估计的渐近正态性 总被引:4,自引:0,他引:4
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 相似文献
3.
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. 相似文献
4.
丁邦俊 《高校应用数学学报(A辑)》1998,13(2):159-166
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. 相似文献
5.
<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 相似文献
6.
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. 相似文献
7.
§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 相似文献
8.
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 相似文献
9.
截尾样本下回归函数改良核估计的强相合性 总被引:1,自引:0,他引:1
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. 相似文献
10.
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. 相似文献
11.
12.
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. 相似文献
13.
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… 相似文献
14.
非参数回归函数的基于截尾数据的估计 总被引:4,自引:1,他引:3
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→ ∞). 相似文献
15.
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 相似文献
16.
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, 相似文献
17.
18.
二维连续型随机变量函数的密度公式及计算 总被引:2,自引:0,他引:2
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. 相似文献
19.
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 相似文献
20.
连续随机变量的随机独立性与回归独立性 总被引:1,自引:0,他引:1
陈秋华 《数学的实践与认识》2004,34(2):104-110
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 . 相似文献