两样本秩次统计量的几乎处处界

设 X_1,…,X_n i.i.d.X_1～F_Y_1,…,Y_n,i.i.d.Y_1～G,这里 F 和 G 是两个一维连续分布函数.以 R_i 记 X_i 在合并样本(X_1,…,X_m,Y_1,…,Y_n)中的秩,且设φ(μ)定义于(0,1),φ_N(n)定义于1/(N 1),…,N/(N 1).本文给出了如下结果:在φ(x)与φx(x)满足一定条件下其中     

Hill估计的重对数律

设{X_n,n≥1}是 i.i.d.序列,分布函数具有形式 F(x)=1-,x>0,其中 L(x)是缓慢变化函数,0相似文献   

基于次序统计量之伴随量的非参数回归的强相合性

设(X,Y),(X_1,Y_1),(X_2,Y_2),…是 i.i.d.二维随机变量,m(x)=E(Y|X=x)是回归函数.Yang,S.S.构造了 m(x)的下述估计:记 X_(i=n) 是 X_1,…,X_n 的第 i 个次序统计量,Y_([i∶n]) 是 X_(i∶n)相应的伴随量,则m_n(x)=1/(nh_n) sum from i=1 to n K((i/n-F_n(x))/h_n)Y_([i∶n]) (1.1)是 m(x)的一个估计,其中 F_n(x)是 X_1,…,X_n 的经验分布函数,K(·)是 R 上的一个概率密度函数而{h_n}是一个正常数序列,易见 m_n(x)可应用在许多非标准情形,如 X 的观察值已自然地排好序或 X_(i∶n)比 X_i 更容易获得等.与古典强大数定律相比,一个在理论上很有兴趣的问题是假定 E|Y|<∞,能否找到 m(x)的强相合估计.成平及成平、赵林城分别用截尾的核估计和近邻估计的方法肯定地回答了这一问题.对于由(1.1)定义的 m_n(x),我们也可以讨论如下截尾形式的     

可换序列上,下极值的联合渐近分布

设X_(j,n),1≤j≤N,n=1,2,… 为一r.v.三角阵,X_(1,n),…,X_(N,n)的顺序统计量为 X_(1,n)~*≤X_(2,n)~*≤… ≤X_(N,n)~* [1]考虑了两种情况:(i)N=n,X_(1,n),…,X_(n,n)为可换r.v.无穷序列的一段及(ii)X_(1,n),…,X_(N,n)为i.i.d.r.v.,N=N(n,ω) 为与这些X_(j,n)独立的正整值r.v.,并给出     

一个有趣的命题及其推论与应用

设X=(x1,x2,……,xk),记函数fi(X)=fi(x1,x2,…xk),又设f(X)为正值函数且其二阶偏导数连续(k≥2),其中i=1,2…n。将形如[(^n∑i=1)fi(X)]/n的函数称为fi(X)(i=1,2…,n)的均值函数;将^n√(^n∏i=1)fi(X)称为fi(X)(i=1,2…,n)的几何均值函数,由fi(X)(i=1,2…,n)的均值函数和fi(X)(i=1,2…,n)的几何均值函数可以得到均值不等式。     

三次样条的Hermite-Birkboff插值

设Δ:0=x_0相似文献   

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     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

一个新颖不等式的对偶结果

杨克昌、陈培德两老师在贵刊文[1]给出如下:定理1　设0≤d≤2,xi>0,1≤i≤n,则max1≤i≤n{xi}(x1 (1 d)x2 … (1 (n-1)d)xn)≥(n-1)d 22n(x1 x2 … xn)2等号成立当且仅当x1=x2=…=xn.笔者读后深感此不等式很奇妙,并思之此定理有其对偶的形式,即有定理2　设0≤d≤2,xi>0,1≤i≤n,则min1≤i≤n{xi}(x1 (1 d)x2 … (1 (n-1)d)xn)≤(n-1)d 22n(x1 x2 … xn)2(1)等号成立当且仅当x1=x2=…=xn.证明的方法同文[1]证　视(1)式左边减去右边所得的差为d的函数,记作g(d).显见g(d)是一个线性函数.所以为证g(d)在整个区间[0,2]上非正,只要证g(d)在区间端…     

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     

Hill估计的重对数律

设{x_n,n≥1}是i.i.d.序列,分布函数具有形式F(x)=1-(L(x))/(x~(1/O)),x>0,其中L(x)是缓慢变化函数,0相似文献   

半参数回归模型的误差方差的小波估计

考虑半参数回归模型y i=x i' β +g(t i)+e i,1 i n,其中β∈R d为未知参数,g(t)为[0,1]上的未知Borel函数,x i为R d上的随机设计, {e i}为i.i.d.随机误差. 本文构造了误差方差σi 2=var (e i)的小波估计 n 2,得到了 n 2的渐近正态性, 同时构造了var(e i 2)的小波估计 n 2,并且证明了 n 2的弱相合性, 由此可知 依分布收敛于N(0,1), 这一结果可用于构造σ 2的大样本区间估计或对σ 2进行大样本检验.     

多指标稳定分量过程的局部时

设X_1,…,X_h分别是独立的(N,d_1,α_1),…,(N,d_h,α_h)稳定过程,其中α_1,…,α_h可以是(0,2]中不同的数.设X(t)=(X_1(t),X_2(t),…,X_h(t)),t∈R_+~N,则称X={X(t);t∈R_+~N}为多指标稳定分量过程.在Nsum (di) from i=n to h的条件下,证明了X存在(联合连续的)局部时,该结果是多指标稳定分量过程所特有的,因为单指标稳定分量过程在任何情况下都不存在局部时.     

多维非退化扩散过程的象集与图集的一致Packing维数

设B(t)=(B(t))=(B1(t),B2(t),…,BN(t))为N维Brown运动,设α(x)=(αij(x),1(≤)I(≤)d,1(≤)j(≤)N),β(x)=(βi(x),1(≤)I(≤)d),x∈Rd,1(≤)d(≤)N,α(x)和β(x)有界连续和满足Lipchitz条件,且存在常数c0＞0,使得对每个x∈Rd,a(x)=α(x)α(x)*的每个特征根都不小于c0.设dX(t)=α(X(t))dB(t) β(X(t))dt,设d(≥)3.可以证明P(ωDimX(E,ω)=DimGRX(E,ω)=2DimE,(A)E∈B[0,∞))=1.这里X(E,ω)={X(t,ω)t∈E},GRX(E,ω)={(t,X(t,ω))t∈E},DimF表示F的Packing维数.     

次序统计量线性函数的非一致Berry—Essen界和强逼近

设 X_1,…,X_n 为(?)d.r.v.序列,X_1～F,以 X_(n1)≤…≤X_(nn)记 X_1,…,X_n 的次序统计量.对定义于[0,1]中的函数 J(x),记(1)为次序统计量的线性函数.本文进一步研究了 T_n 的极限性质,利用周知的 U—统计量的性质,以及经验过程的一些理论,推广[1],[2]的结果到非一致收敛情形,同时完善了[3]的结论且简化了其条件和证明.定理证明基于下述引理。     

Strong Consistency of Non-parametric Regression Estimates with Censored Data

Let (X,Y) be an R~d×R valued random vector with E|Y|<∞ and(X_1,Y_1) (X_2,Y_2), …, (X_n,Y_n) be i.i.d.observations of (X,Y). To estimate the regression function m(x)=E(Y|X=x), Stone suggested m_n(x)=sum from i=1 to n(W_(ni)(x)Y_i), where W_(ni)(x)=W_(ni)(x,X_1,X_2,…,X_n)(i=1,2,…,n) are weight functions. Devroye and Chen Xiru established the strong consistency of m_n(x). In this paper, we discuss the case that{Y_i} are censored by {t_i}, where{t_i} are i.i.d. random variables and also independent of{Y_i}. Under certainconditions we still obtain the strong consistency of m_n(x).     

多维随机变量序列的最大值和最小值的渐近独立性

设{X_n=(X_(1n),X_(2n),…,X_(mn),≥1}是i.i.d.的m维随机向量序列,Z_(in)=max{X_(i1),X_(i2),…,X_(in)},W_(in)=min{X_(i1),X_(i2),…,X_(in)},1≤i≤m,Z_n=(Z_(1n),Z_(2n),…,Z_(mn)),W_n=(W_(1n),W_(2n)…,W_(mn)).本文得出了W_n与Z_n渐近独立的充分必要条件.     

关于二次插值样条误差的一个最佳估计

设△_n={i/n=xi}是区间[0,1]上的等距分划,h=1/n,s(x)是△_n上的二次周期样条,即s(x)∈C~1[0,1],在每一区间[x_i,x_i+1]上是二次多项式,并且s(0)=S(1),S＇(0)=S＇(1). 又设f(x)∈C[0,1],满足f(0)=f(1),据此可以认为f(x)是以1为周期的连续函数.记f_i=f(xi),fi-1/2=f(xi-n/2),则由条件 si-1/2=fi-1/2,i=1,2,…,n,     

等距节点上(0,3)插值五次样条

§1.引言 设f(x)是定义在[0,1]上的连续函数,n是自然数。记h=1/n, f_v~((r))=f~((r))(vh),v=0,1,…,n;r=0,1,…,5, f_(v 1/2)~((r))=f~((r))((v 1/2)h),v=0,1,…,n-1;r=0,1,…,5, ω_r(j)=max |f~((r))(x_1)-f~((r))(x_2)|,r=0,1,…,6. |x_1-x_2|≤h 0≤x_1,x_2≤1又设s(x)是[0,1]上满足(i)s(x)∈C~3[0,1],(ii)在[vh,(v 1)h]上s(x)∈∏_5,v=0,1,…,n-1的五次样条.它们的全体记为?_(n5)~((3)) .     

方向数据密度核估计的对数律

设X为取值于k维单位球面上的单位随机向量,具有概率密度函数f(x),X_1,…,X_n为X的n个i.i.d.的观察,讨论f(x)具有形式的核估计,其中K为定义于[0,+∞]上的非负核函数,ω_k为Ω_k上的Lebesque测度,本文建立了fn(x)的对数律,并给出了fn(x)的一致强相合速度。