漫谈中心极限定理

一个奇特的现象 不知道你是否了解这样一个奇特现象,即不管总体是离散分布或连续分布,是正态分布或非正态分布,从中经重复抽样所得的样本均值(x-)的直方图总是呈现"中间高,两边低,左右基本对称"的正态分布形状,且样本量n愈大此种近似程度愈好,就像下面这个例子所表露的一样.     

稳健统计(Ⅳ)

第三部份仅简要地阐述多元离群值检测、多元中心位置向量和散布阵的稳健估计,以及稳健主成分分析. 3.1多元离群值 设有n个个体,每个测量p个变量,得到n×p的数据阵[X=xij]=[x1,x2,…,xn]T=[x1,…,xp].如果仅从复制数据失误角度看,观测数据点xi的某个变量复制错,较比常见;对p个变量,每个作一元离群值检测,可望发现这种离群点;而颠倒两个变量值的次序,造成的离群点,在两变量的散点图上也许能看出;错测了其它总体的样本点,这两种技术都看不出的,需要检测诊断多元离群点的技术. 不问进一步的分析是什么,泛指的多元离群点,是认为大多数观测数据点…     

稳健统计(Ⅲ)

1.10稳健化和M估计 我们看到正态方法(最小二乘法)不能抵抗(阻尼)离群值的破坏性大影响,它的破坏点为0,影响函数是无界的,总之,它是不稳健的.它可以被改造成稳健方法,这种修正的过程称为稳健化;或者找到另一种代用的稳健方法,称为稳健代用品. 由主观判断识别出离群值;或者用离群值检验诊断的办法,识别出离群值,然后剔除离群值,对于剩余样本用传统的正态方法。这样,实际上已实现了稳健化.L估计中有许多稳健方法,例如,样本中位数、切尾均值都是稳健位置估计.另外,可以从非参数统计中找到稳健代用品。例如R估计就是由(不依赖于总体分布的)秩…     

求分层随机抽样的样本均值和样本方差方法的应用与推广

<正>普通高中数学课程标准(2017年版2020年修订)中指出:"通过实例,了解分层随机抽样的特点和适用范围,了解分层随机抽样的必要性,掌握各层样本量比例分配的方法.结合具体实例,掌握分层随机抽样的样本均值和样本方差".但在我们的教学实践中,     

抽样调查(Ⅱ)——第二讲 简单随机抽样

1定义及实施方法 1)从一个有限总体中抽取的所有可能的样本 抽样调查中讨论的总体一般总是有限的.虽然在实际问题中不乏存在无限总体,但若将总体中的个体划分成抽样单元,则它一定是有限的. 设总体由N个抽样单元组成,我们欲在它中间抽取包含n个抽样单元的样本,称n为样本量.为讨论样本的抽取方法,我们从一个简单的实验例出发,看从一个总体中取得的所有可能的样本. 例2.1一个简单的实验例 设一个N = 8的总体,我们关心某个变量Y,每个单元的变量值Yi如右: 从上述总体中抽取样本量n=2的样本,可能的样本总数为 每个样本包含的单元如表2.1所示. 注…     

Determinacy—A3是Co—Np完全的

群试(group testing)方法首先由Dorfman在第二次世界大战期间提出,当时是出于征兵验血的需要。现在,群试方法已应用于多门学科,诸如计算机科学,组合学及统计学等。可以把群试问题简述如下:设N是一个含有n个元素的集合,记为N={1,…,n},在N中有一些“坏”元素,我们试图通过一系列试验把全部“坏”元素找出来,如何使试验次数最少?我们把全体“坏”元素集称为样本,所有可能的样本形成样本空间。在这篇     

可靠性(Ⅲ)

设我们要研究产品的两个参数X、Y.按技术文件规定生产一批n个产品.每一个产品的X、Y值可以用XY平面上的一点(X,Y)来表示.这一批n个产品的参数表现为XY平面的n个点.我们把XY平面的某一部份划分为很多小矩形格子.统计(X,Y)落在每一个小矩形格子中的相对频数.在每一个小矩形格子上建立一个直方柱,使直方柱的体积表示(X,Y)落在该矩形格中的相对频数.当按技术文件生产极多产品时,这些矩     

〈成对数据比较〉的相关分析

对二总体X、Y,测得成对数据(xi,yi),i=1,2,…,n.要判别X、Y间有无显著差异,对此问题有的书中称为<成对数据比较>. 通常方法是:由ui(=yi-xi),i=1,2,…,n,检验u=(Y-X)是否服从均值为零的正态分布N(0,σ2).当　时,认为X与Y有显著差异.其中 在实际问题中,检验的拒绝域是与两总体抽取样本的相关系数有关的.例如,为了比较两种药品的疗效X、Y,让同一病人分别服用两种药品而获得一对数据.n个病人共得n对数据(xi,yi)i=1,2,…n.在这个试验中,X和Y通过试验的中间客体──病人发生了相关关系,X、Y不再是独立的,将ui=yi-xi代入,得检验的拒绝域形式…     

一般损失下k近预测条件风险的指数界

<正> 设(X,θ)为R~d×R~1上随机变量.(X_1,θ_1),…,(X_n,θ_n)为它的独立同分布样本.设X的值已观测,记Z_n=((X_1,θ_1),…,(X_n,θ_n)),要用X和Z_n的值去预测θ的值.设‖·‖为R~d中欧氏距离或最大分量模距离,将X_1,…,X_n重排为X_(n1),…,X_(nn).使得‖X_(n1)‖-X‖≤‖X_(n2)-X‖≤…≤‖X_(nn)-X‖,以θ_(n1),…,θ_(nn)记相应的匹     

超几何分布精确值的计算方法

一、问题的提出 1.超几何分布的模型 设有一批产品,批量为N,其中不合格品M件.如果从该批中随机地一次抽取一个容量为n的样本,则样本中不合格品的件数(记为X)是一个随机变量且服从超几何分布,记其一次观察值为x,那么分布律为其中为非负整数,且 表示从Z个不同元素中取出y个元素的     

一类商代数上的双-Frobenius代数结构

设C[X]为复数域上的一元多项式代数,I为n+1次Dickson多项式E_(n+1)(X)生成的C[X]的理想,C[X]/I为商代数.证明了商代数C[X]/I既是Frobenius代数,又是Frobenius余代数.进一步,该商代数在恒等对极下还是双-Frobenius代数.     

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,     

关于相邻素数之差

设B为充分大的正常数,ε为充分小的正常数,X和N充分大.主要证明了:1)对于正整数n,X<n≤2X,除去O(Xlog^-BX)个例外值,区间(n,n+n^1/14+ε)中包含一个素数;2)如果A+N^1/12+ε,则区间(N,N+A)中的偶数,除去O(Alog^-BN)个例外值,均匀Goldbach数.     

近邻预测风险的收■性

§1 引言和结果设(X,θ)是一个取值于 R~d×R~l 的随机向量,对其分布一无所知。(X_1,θ_1),…,(X_n,θ_n)为(X,θ)的观察样本。假定(X,θ)(X_1,θ_t),…,(X_n,θ_n)是独立同分布(iid.)的。设已有了 X 的观察值 x,但θ之值未观察。要依据样本(X_i,θ_i),i=1,…,n,及 X 的已知值 x,去预测θ的值。由于对(X,θ)的分布无所知,这个问题是非参数性的,通常的线性回归方法等都不适用。有一种简单而比较实用的非参数方法,叫近邻预测法,其法如下:先按与 x 的距离     

平方损失下的最近邻预测理论

§1.引言 设在R~d×R~1(d≥1)取值的变量(x,θ),(x_i,θ_i),i=1,…,n相互独立,此处(X_i,θ_i)是已知样本,X之值已观测,而要依据它们去预测θ之值。引进平方损失(θ—a)~2,即用a去预测θ时,所蒙受的损失。 若知道了(x,θ)的联合分布,则风险最小的预测,即Bayes预测 δ(x)=E(θ|X=x),可无需求助于样本(X_i,θ_i),i=1,…,n而定出。当X=x时,此预测之后验风险     

Bartlett分解与多元正态总体均值的广义推断

对多个正态总体均值的统计推断是一个古老而令人感兴趣的问题.本文利用样本协方差矩阵的Bartlett分解和广义p-值的概念给出一些关于均值的精确检验.模拟显示这些检验比已有的检验有更高的功效.同时,还根据协方差矩阵的Bartlett分解和样本均值向量,得到一个分布和未知参数无关的统计量,用它可以对多个正态总体共同均值做精确检验.模拟显示,这些检验犯第一错误的概率小于显著性水平,而且有更高的检验功效.     

正态样本最大值与平均值之差的上侧分位数表

设 x_1,x_2,…,x_n 是来自正态总体 N(μ,σ~2)的随机样本,μ∈R,σ~2>0已知,记(?)_n为样本均值,x_(1)≤x_(2)≤…≤x_(n)是此样本的顺序统计量.Nair 和 Grubbs 提出以统计量 R_n=(x_(n)-(?)_n)/σ口进行某些统计检验.特别用以判断最大值是否异常数据.当然 R′_n=((?)_(n)-x_(1))/σ可用以判断最小值是否异常数据,R′_n 的分布与 R_n 相同.这检验的最优性质可由 Kudo 的方法来证.     

极小化与最佳逼近

1.引言 设C(X)是紧集X(?)[a,b]上的实值连续函数空间,M(?)C(X)为n维子空间,其中n为自然数。对X上的任意实值函数f,定义。又设F(x,y)为从到上的非负二元函数,且至少存在一个P∈M使,这里。 现在我们提出如下的极小化问题:寻找一个P∈M使它满足     

向量值H~P空间上的Cesàro算子

设X为一复Banach空间,f:D→X为一个X-值解析函数,f(z)=sum from n≥0(a_nz~n),a_n∈X,设C(f)(z)=sum from n≥0((a_0 a_1 … a_n)/(n 1)z~n)A(f)(z)=sum from n≥0(sum from k=n to ∞(a_k/(k 1))z~n本文证明了对于任意的1≤p<∞以及复Banach空间X,C为从H~p(X)到H~p(X)的有界线性算子;对于任意的1相似文献   

变点统计分析简介 (Ⅲ)极大似然法、累计次数法、Bayes法

本篇主要结合一个重要的变点问题──概率变点问题,来介绍几个常用的方法:极大似然法,累计记数法和Bayes法。 一、极大似然法. 这与熟知的极大似然估计法相似,即通过求似然函数(密度或概率之积)极大值去估计有关参数.此处变点本身是一个参数,且似然函数对它的依赖关系很复杂,因此在施行上要涉及更多的计算.我们来看几个例子: 1.正态分布的均值变点,变点前后的方差可以不同。 问题的模型是:样本X1,…,X_(n) 独立,且 Xi～N(α1,σ12),i=1,…,m—1;Xi～N(α2,σ22),i=m,…,n这里m,α1,α2),a;’,a。‘都未知.只在a;4a。时,m才算作是变点.似…