学生化Kaplan—Meier估计的正态逼近速度

设Ｆ（ｔ）是表示寿命的分布函数，Ｇ（ｔ）是表示删失的分布函数，Ｆ（ｔ）是Ｆ（ｔ）＝１－Ｆ（ｔ）的Ｋａｐｌａｎ－Ｍｅｉｅｒ估计。     

有偏模型中一类统计泛函的经验似然估计及其渐近性质

Ｘ１，…，Ｘｍ；Ｙ１，…，Ｙｎ为独立随机样本，Ｘ，Ｘ１，…，Ｘｍ同分布，Ｘ－Ｆ，Ｆ（０）＝０，Ｙ，Ｙ１，…，Ｙｎｍ同分布，Ｙ的分布函数为Ｇ（ｙ）＝１／μ∫ｙω（ｔ，β）ｄＦ（ｔ），ｙ≥０，其中，β∈Ｒ，μ＝∫０＾∞ω（ｔ，β）ｄＦ（ｔ），０〈μ，ω（ｔ，β）〈∞，Ｆ，μ和β均未知，ω（ｔ，β）的形式已知，设θ为一待估参数，且存在一已知函数ψ（Ｘ，θ）满足ＥＦψ（Ｘ，θ）＝０，本文利用经验似然法给出     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

分组数据参数的单边估计与检验

设ｘ_０＜ｘ_１＜…＜ｘ_ｋ－１＜ｘ_ｋ是分布函数Ｆ（ｘ－θ）支撑集上的分点．令ｎ_ｉ表示落入区间（ｘ_ｉ－１,ｘ_ｉ）的观测值个数,并称其为分组数据．本文讨论了θ在θ≥θ０下的最大似然估计存在且唯一的条件及其渐近性质;给出了利用分组数据求最大似然估计的方法．最后;讨论了θ的单边检验问题．     

Poisson分布参数的渐近最优和可容许的经验Bayes估计

设Ｘ及（Ｘ１，Ｘ２…，Ｘｎ）分别为取自Ｐｏｉｓｓｏｎ分布Ｐ（θ）的当前样本和历史样本，参数θ的先验分布族Ｆ＝｛Γ（ｍ，β）：β＞０｝，其中ｍ＞０已知，Γ（ｍ，β）表示参数为（ｍ，β）的伽玛分布．对ｐ＞０，ｑ＞２的任意两个实数，记ｔｎ＝Ｘ＋∑ｎｉ＝１Ｘｉ＋ｐＸ＋∑ｎｉ＝１Ｘｉ＋ｐ＋ｑ＋（ｎ＋１）ｍ（Ｘ＋ｍ）则在平方损失函数ｌ（θ，ｄ）＝（θ－ｄ）２下，ｔｎ是θ的渐近最优和可容许的经验Ｂａｙｅｓ估计，而且收敛速度为Ｏ（１ｎ）．     

稳定分量过程的图集的Packing测度

本文考虑Ｒ~ｄ中具有如下形式的过程：Ｘ（ｔ）＝（Ｘ_１（ｔ），Ｘ_２（ｔ），…，Ｘ_Ｎ（ｔ）），其中Ｘ_ｉ（ｔ）为Ｒ~ｄｉ中指标为α_ｉ的稳定过程（１≤ｉ≤Ｎ），Ｘ_１（ｔ），…，Ｘ_Ｎ（ｔ）相互独立，ｄ＝ｄ１＋…＋ｄ_Ｎ．通过讨论过程Ｇ（ｔ）＝（ｔ，Ｘ（ｔ））的逗留时分布的渐近性质，研究图集Ｇ［０，１］的Ｐａｃｋｉｎｇ测度函数问题。获得了ψ－ｐ（Ｇ［０，１］）＝０或＋∞的积分判别法，或者其确切测度函数．     

二维带形无界区域中Navier—Stokes方程整体吸引子及其维数估计

该文讨论二维无界带形区域中Ｎａｖｉｅｒ－Ｓｔｏｋｅｓ方程（Ⅰ）｛ｕｔ－△ｕ＋ｕｉэｕэｘｉ＝－△ｐ＋ｆ（ｘ，ｔ）∈Ω×Ｒ＋（１）ｄｉｖｕ＝０（２）ｕ（Ｘ，ｔ）∈（Ｈ＾１０（Ω）ｆｏｒ ｔ〉０（３）ｕ（ｘ，０）＝ｕ０（ｘ）∈Ｈ（４）其中Ω＝（０，ｄ）×Ｒ，ｄ〉０为一常数，ｕ与ｐ为未知量，其中ｕ＝（ｕ１，ｕ２）为速度场，ｐ表示压力。我们证明了当ｕ０∈Ｈ，ｆ∈Ｖ且ｆ「ｌｏｇ（ｅ＋│ｘ│＾２）」＾１２∈Ｌ     

带转向点的非线性系统的奇摄动

本文考虑如下非线性系统εＹ″＝Ｆ（ｔ，Ｙ，Ｙ′，ε），－１＜ｔ＜１，Ｙ（－１，ε），Ｙ（１，ε）＝设Ｆ的部分或所有的分量ｆ．满足，称Ｆ在ｔ＝０处具有一般的转点．本文讨论系统在Ｆ具有一般转点时解存在的充分条件且研究解在转向点ｔ＝０处的渐近性态．对于内部层、边界层现象分别进行了讨论．     

多维指数族分布的参数线性容许估计的一个充分条件

本文利用唯一的Ｂａｙｅｓ估计是容许估计的原理,构造了一个先验分布π１（θ）＝Ｍβ－１（θ）ψ（θ）ｅｘｐ∑ｎｉ＝１∫θｉθｉ０ｂ－ｒｉ（ｔ）ａｉｎｄｔｉ,当它满足一定的条件时,证明了在均方损失下,多维指数族分布ｆθ（ｘ）＝β（θ）ｅｘｐθ′ｘ的参数ｒ（θ）的唯一Ｂａｙｅｓ估计为线性函数ａ′ｘ＋ｂ,因而也是容许估计     

Runge—Kutta方法的G—正交性

１Ｇ－正交矩阵微分方程考虑ＲＮ×Ｎ上常微分矩阵方程初值问题这里Ｗ：［０,＋∞）×ＲＮ×Ｎ→ＲＮ×Ｎ为一光滑的映射,Ｙ（０）ＲＮ×Ｎ为给定的初值,Ｇ为实常正定矩阵．定义１．１如果问题（１．１）的真解ｙ（ｔ）满足ＹＴ（ｔ）ＧＹ（ｔ）＝Ｇ,ｔ≥０,则称该问题真解Ｙ（ｔ）是Ｇ－正交的,以下简称该问题是Ｇ－正交的．特别地,当Ｇ＝ＩＮ时,称该问题是正交的,这里ＩＮ为Ｎ×Ｎ单位降．引理１．１［２］问题（１．１）是正交的当且仅当Ｗ（ｔ,Ｙ）＝Ｆ（ｔ,Ｙ）Ｙ,这里Ｆ;［０．＋∞）×ＲＮ×Ｎ→Ｎ×Ｎ为一反对称矩阵函…     

Wishart ratios with dependent structure: New members of the bimatrix beta type IV

In multivariate statistics under normality, the problems of interest are random covariance matrices (known as Wishart matrices) and “ratios” of Wishart matrices that arise in multivariate analysis of variance (MANOVA) (see 24). The bimatrix variate beta type IV distribution (also known in the literature as bimatrix variate generalised beta; matrix variate generalization of a bivariate beta type I) arises from “ratios” of Wishart matrices. In this paper, we add a further independent Wishart random variate to the “denominator” of one of the ratios; this results in deriving the exact expression for the density function of the bimatrix variate extended beta type IV distribution. The latter leads to the proposal of the bimatrix variate extended F distribution. Some interesting characteristics of these newly introduced bimatrix distributions are explored. Lastly, we focus on the bivariate extended beta type IV distribution (that is an extension of bivariate Jones’ beta) with emphasis on P(X₁<X₂) where X₁ is the random stress variate and X₂ is the random strength variate.     

Nonuniform error bounds in asymptotic expansions for scale mixtures under mild moment conditions

Let F(x) be a distribution function of of a scale mixture X=SZ of a random variable Z with distribution G and scale factor S, which is a positive random variable independent of Z. Some nonuniform bounds are given for asymptotic expansions of F(x) around G(x)_ under mild moment conditions on the distribution of S. Some nonuniform bounds for the normal approximation to the Student t-distribution are given as examples. Supported by a Grant-in-Aid for the COE Research Program, The Minsitry of Education, Science, Sports, and Culture, Japan, and by the Russian Foundation for Fundamental Research (grant No. 96-01-01919). Proceedings of the Seminar on Stability Problems for Stochastic Models, Hajdúszoboszló, Hungary, 1997. Part III.     

关于大偏差概率的一个界

研究得到了关于随机和S(t)=∑N(t)i=1Xi,t≥0大偏差的幂的一个界,其中(N(t))t≥0是一族非负整值随机变量,(Xn)n∈N是独立同分布的随机变量,其共同的分布函数是F与(N(t))t≥0独立.本结论是在假设分布函数F的右尾属于ERV族的情况下得到的.     

Some properties of subexponential distributions

The nonnegative random variableX is said to have a subexponential distribution if we have (1-G(t))/(1-F(t))→2 ast→∞, whereF(t)=P{X≤t} andG(t) is the convolution ofF(t) with itself. Conditions on the distribution of independent nonnegative random variablesX andY such that max(X, Y) and min(X, Y) have a subexponential distribution are given. Translated fromMatematicheskie Zametki, Vol. 62, No. 1, pp. 138–144, July, 1997. Translated by N. K. Kulman     

关于KAPLAN-MEIER估计的二阶EDGEWORTH展开

定义F={t>0,F(t)=1},设t<τ     

风险模型中重尾随机变量和的若干大偏差结果

进一步研究随机变量部分和与随机和的大偏差,其中S(n)=∑ni=1Xi,S(t)=∑N(t)i=1Xi(t>0).{Xn,n≥1}是一个独立同分布的随机变量(未必是非负的)序列具有共同的分布F(定义于R上)和有限期望μ=EX1.{N(t),t≥0}是一个非负的整数值的随机变量的更新计数过程且与{Xn,n≥1}相互独立.本文在假定F∈C条件下,进一步推广并改进了由Klüppelberg等和Kaiw等人给出的一些大偏差结果.这些结果可应用到某些金融保险方面的一些特定的问题中去.     

Estimation of the eigenvalues of noncentrality parameter in matrix variate noncentral beta distribution

We consider the problem of estimating the eigenvalues of noncentrality parameter matrix in a matrix variate noncentral beta distribution, also known as multivariate noncentral F distribution. A decision theoretic approach is taken with square error as the loss function. We propose two types of new estimators and show their superior performance theoretically as well as numerically.     

經驗分佈之比的極限分佈

<正> §1.引言 令x為一隨機變數,其分佈函數為F(x).對於x作n次相互獨立的试驗,便得n個結果x_1,x_2,…,x_n.我們也可以把x_1,x_2,…,x_n看作是遵循同一個分佈函數F(x)的相互獨立隨機變數.現在把x_1,x_2,…,x_n依其值由小到大的次序排列,我們得到     

矩阵F分布渐近正态分布的一种方式(英文)

本文主要讨论矩阵F分布的一致渐近正态性.通过计算矩阵F分布和多元正态分布的Kullback-Leibler距离,找到了矩阵F分布一致渐近正态分布的条件.     

Exact Asymptotics for the Distribution of the Time of Attaining the Maximum for a Trajectory of a Compound Poisson Process with Linear Drift

We consider the random process at − v+(pt) + v−(−qt), t ∈ (−∞, −), where v− and v+ are independent standard Poisson processes if t ≥ 0 and v−(t) = v+(t) = 0 if t < 0. Under certain conditions on the parameters a, p, and q, we study the distribution function G = G(x) of the time of attaining the maximum for a trajectory of this process. In the present article, we find an exact asymptotics for the tails of G. We also find a connection between this problem and the statistical problem of estimation of an unknown discontinuity point of a density function.