加权平方损失下伽玛分布族Γ(θ,1/2)参数θ的EB估计

在加权平方损失函数下讨论了伽玛分布族T(θ,1/2)参数θ的经验Bayes(EB)估计,并讨论了EB估计的收敛速度问题,在一定条件下,收敛速度可充分接近于1.     

均匀分布族U(0,θ)参数的经验Bayes估计的收敛速度

本文讨论均匀分布族U(0,θ)参数θ的经验Bayes(EB)估计的收敛速度问题。 考虑均匀分布族{U(0,θ)},θ∈Ω=(0,∞),设Ω上参数θ的先验分布为G(θ)。当给定θ时,随机变量X的条件密度和条件分布函数分别如下:     

一般截断族中半参数估计的渐近效率

本文表述了线性参数函数的估计在渐近中位无偏限制下的渐近效率的定义,研究了一般截断型分布族 f(x;θ_1,θ_2)I(θ_1≤x≤θ_2)dx,为函数 c_1θ_1+c_2θ_2构造了一类直观合理的渐近中位无偏的半参数估计,算出了它们的渐近效率,发现了一种有趣现象:效率仅与比值 c_1f(θ_2;θ_1,θ_2)/c_2f(θ_1;θ_1,θ_2)有关;并且当 c_1c_2≥0时,这些估计是渐近有效的,而当 c_1c_2<0时,效率在1与0.7412之间,极小值是0.7412.     

一类二阶耦合积分边值问题的可解性

在一对上-下解和下-上解存在的条件下,研究了一类二阶耦合积分边值问题{-x"=f_1(t,x,y,x"),-y"=f_2(t,x,y,y'),t∈[0,1],x(0)=y(0)=0,x(1)+∫_0~1y(t)dA(t)=0,y(1)+∫_0~1x(t)dB(t)=0}解的存在性,其中f_1,f_2∈C([0,1]×R~3,R).     

绝对损失下均匀分布族 U(θ,cθ)中参数经验 Bayes 估计

本文我们讨论了均匀分布族 U(θ,cθ)中参数在绝对损失下的经验 Bayes(EB)估计及其收敛速度.     

双边截断型分布族参数函数的渐近最优经验Bayes估计

本文考虑一维双边截断型分布族参数函数在平方损失下的经验 Bayes估计问题 .给定θ,X的条件分布为f (x|θ) =ω(θ1,θ2 ) h(x) I[θ1,θ2 ] (x) dx其中θ =(θ1,θ2 )T(x) =(t1(x) ,t2 (x) ) =(min(x1,… ,xm) ,max(x1,… ,xm) )是充分统计量 ,其边缘密度为 f (t) ,本文通过 f (t)的核估计构造出θ的函数的经验 Bayes估计 ,并证明在一定的条件下是渐近最优的 (a.0 .)     

递归算术公理的简化

本文,我们把递归算术系统简化为下列三个系统:A_0V_2、A_0V_1I_2θ_2及A_0V_1I_2θ_2~*,此处A_0为存在性公理,而V_n、I_n、θ_n、θ_n~*为唯一性规则,其定义如下:A_0是:给了H(x,y),存在一函数F(u,x),使得规则V_n是:此处是指“可推导出”,x为约束变元,它在前件中不能进行代入,I_n是V_n当H是么函数I(I(x)=x)时的特例,θ_n是V_n当H为θ(θ(x)=0)时的特例,θ_n~*又是θ_n当F(u_1,…,u_n,0)=0时的特例。     

运用质量意义来计算积分

在学习高等数学的过程中 ,我们通常是运用微积分的有关知识及方法去解决几何学、物理学中的问题 ;反之 ,运用物理学的质量意义 ,也可以来计算积分 ,并使某些特殊的积分计算更为简便。一、计算二重积分的值例 1　计算二重积分 I = D( x +y) dxdy,其中 D ={ ( x,y) |x2 +y2 ≤ x +y +1 } ( 1 994年研究生入学试题 )。解法 1　先给出常规解法。区域 D可化为 :( x -12 ) 2 +( y -12 ) 2 ≤ 32用变换 x =12 +rcosθ,y =12 +rsinθ,在这变换下 ,D的边界化为 r2 =32 ,D域化为 0≤ r≤32 ,0≤θ≤ 2π,雅可比行列式为J= ( x,y) ( r,θ) = x r x …     

关于线性经验 Bayes 估计

Robbins 在假定 E(x|θ)=θ和 Var(x|θ)=a bθ cθ~2之下,给出了参数θ的线性经验 Bayes(l.e.B.)估计,此处 a,b,c 为已知常数.本文去掉了他的第二个条件,给出了一类新的 l.e.B.估计,并得到了这个估计的收敛速度.此外,对 Robbins 的l.e.B.估计,在做了适当修改之后,也给出了收敛速度.     

渐近Bayes判别

<正> 一、引言设(θ,X),(θ_1,X_1),…,(θ_n,X_n)为 iid 随机变量,其中 X 取值于只 R~d(d≥1),θ只取0,1两个值,记 P(θ=0)=η_0,P(θ=1)=η_1=1-η_0,设 X 在给定θ=i 时的条件密度为 f_i(x)dx,i=0,1.(θ_1,X_1),…,(θ_n,X_n)是已知的样本,常称为训练样本,在实际应用上,常需借助于它们,以根据 X 之观测值,对θ的值做出判別.记 f(x)=η_0f_0(x)+η_1f_1(x),则后验概率为     

二重积分计算的一点注记

<正> 众所周知,在有界闭区域D 上连续的函数f(x,y)的二重积分integral integral from D f(x,y)dxdy 存在,而且它可以化为二次积分来计算,例如:如果积分区域D 为X—型区域,即D 可用不等式Φ_1(x)≤y≤Φ_2(x),a≤x≤b 表示,其中函数Φ_1(x)、Φ_2(x)在[a,b]上连续.则有公式:     

条件中位数L_1-模最近邻估计的逐点收敛速度

设θ(x)为Y关于X的条件中位数。本文研究了θ(x)的 L_1-模最近邻的估计的逐点收敛速度问题。得到的结果与[7]关于回归函数 E{Y|X=x}的最近邻估计的逐点收敛速度类似。     

条件L泛函的核估计及其Bootstrap逼近

设(X,y)为取值于 R~d×R~1的随机变量,X 具有边缘分布 F(x),Y 关于 X 的条件分布为 F(y|x).对于条件 L 泛函θ_1(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy(1)θ(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy+sum from j=1 to k a_jF~(-1)(p_j|x)(2)在[1]中曾给出了它们的近邻估计,并讨论了估计的渐近性质(其中 F~(-1)(x)=inf{t:F(t)≥x}).在本文中,我们将用核函数方法构造它们的另一类估计,并讨论估计的一些渐近性质.设(X_1,Y_1),(X_2,Y_2),…是(X,Y)的一个样本列,取 w_n_i(x)=K((x-X_i)/h_n)/sum from i=1 to n K((x-X_i)/h_n),其中 K 为 R~d 上的概率密度函数,并有0相似文献   

Hammerstein型积分方程组的非零解及其对两点边值问题的应用

本文研究Hammerstein型积分方程组 (Ⅰ)φ(x)=∫_G K_1(x,y)f_1(φ(y),ψ(y))dy, ψ(x)=∫_G K_2(x,y)f_2(φ(y),ψ(y))dy非零解的存在性(其中G为R~N中有界闭区域,mesG=1,并将所得结果应用于二阶常微分方程两点边值问题 (Ⅱ)(t)=-f(x(t),(t)), α_0x(0)-β_0(0)=0, α_1x(1) β_1(1)=0。其中α_0、α_1、β_0、β_1≥0,|α_0 β_0 -α_1 α_1 β_1|≠0。所得结论与[1]第四章及[3]第六章所述结论具有不同形式,且不能用[1、3]的方法得出,特别当f(u,v)是多项式情况下所得结果是[2]中部分结果的推广和补充。     

Linex损失下二维单边截断型分布族参数的经验Bayes估计

在linex损失函数下,讨论边二维单边截断型分布族参数的经验Bayes(EB)估计问题,文中构造了参数的EB估计,在适当的条件下给出了该估计的收敛速度。并说明在较强条件下收敛速度可充分接近1。     

两类二元函数芽的一个共同性质和其亚标准形式

利用J.N.Mather有限决定性定理和光滑函数芽的右等价关系,给出了带有任意4次至k次齐次多项式p_i(x,y),q_i(x,y)(i=4,5,…,k)的两类二元函数芽f_i=x~3+∑_(i=4)~kp_i(x,y),f_2=y~3+∑_(i=4)~k=4q_i(x,y)(k≥5)的一个共同性质:若M_2~kM_2J(f_j)(j=1,2)且f_1,f_2的轨道切空间的余维分布均为c_i=2(i=4,5,…,k-1),则对这个i,p_i(x,y)中x~2y~(i-2),xy~(i-1),y~i的系数和q_i(x,y)中x~(i-2)y~2,x~(i-1)y,x~i的系数均为零.最后,利用该性质,给出了f_1,f_2和一类余维数为8的二元函数芽的亚标准形式.     

对“关于一类 Siegel E-函数的丢番图不等式”一文的注记

<正> 我们在文章(1]中建立了含有一类 Siegel E-函数的丢番图不等式,给出了表达式x′_1x′_2…x′_k‖x_1f_1(α)+…+x_kf_k(α)‖与y‖yf_1(α)‖…‖yf_k(α)‖的下界估计.这里,对实数ξ,‖ξ‖=(?)|ξ-n|,ξ′=max(1,|ξ|),f_i(z)是[1]中定义的一类 Siegel E-函数,x_1,…,x_k 和 y 是有理整数,y>0,α为满足一定条件的有理数.在下界估计中,依赖于α,f_i(z)以及 f_i(z)所满足微分方程组的有关常数没有     

线性回归模型参数的联立经验Bayes估计的收敛速度

本文考虑了线性模型中回归系数β=(β₁,…,β_p)′和误差方差σ²的联立经验Bayes(EB)估计.在二次损失下,利用密度函数及其编导数的核估计构造出参数θ=(β₁,…,β_p,σ²)的联立EB估计,在一定条件下证明了θ的联立EB估计的收敛速度任意接近于1.最后、给出了一个实例.     

含变量可转移函数核的Hilbert型级数不等式

设λ_1λ_2≠0,若t0时,K(x,y)满足K(tx,y)=K(x,t(λ_1/λ_2)y),K(x,ty)=K(t(λ_2/λ_1),y).则称K(x,y)是具有参数λ_1和λ_2的变量可转移函数,这是一种非齐次函数.该文研究了含λ_1λλ_20情形的变量可转移函数核的Hilbert型级数不等式,并讨论其等价形式和最佳常数问题.     

"1"在常微分方程解题中的应用

有些可积类型的常微分方程求解问题 ,在具体求解过程中需要一些技巧。下面是我做题的一点体会——“1”的妙用。( 1 )“1”的加减法例 1　求解 dydx=x+y解　该题不能用分离变量来做 ,我们在等式两边都加上“1”,得d( x +y)dx =x +y +1下面就很自然了 :　　　　　　　　　　ln|x+y+1 |=x+c1　　　　　　　　　　x+y+1 =cex　　　　　　　　　　y=cex-x-1( 2 )“1”的除法利用函数与其反函数的导数之间的关系dydx=1dxdy　　例 2　试求解dydx=1xcosy +sin2 y　　解　化为一阶线性方程dxdy=xcosy +sin2 yx =e∫cosydy( ∫sin2 ye∫- cosydydy +c…