基于M—估计的误差密度估计

对于线性模型 Yi=x＇_iβ十e_i,i=1,2,...,{e_i}_(i= 1)~∞i.i.d.,e_1有未知密度函数f（x）,本文基于β的M-估计的残差:e_i=Yi—x＇_iβ,i=1,2,…,n,其中β为β的M-估计,用 f_n(x)=1/2na_n sum from i=1 to n I(x-a_ne_i^≤x a_n)估计f(x）,得到了这种估计的强收敛速度,一致强收敛速度,L_1-模相合性,渐近正态性,重对数律。     

一类核估计强一致收敛的必要条件

§1.引言和结果 设X_1,X_2,…,X_n是来自R~1上的d.f.F(x)的i.i:d.样本,{h_n}是一串正数;K(·)是p.d.f.,令 f_n(X)=1/(nh_n) sum from i=1 to n (K((x-X_i)/(h_n)),x∈R~1. (1) 当F的p.d.f.f存在时,f_n是f的一类重要估计,叫做核估计。关于f_n一致强收敛于f的问题在文献中有很多讨论,所得结果一无例外地要假定f在全直线上一致连续。1969年,E.P.Schuster在[1]中提出了反面的问题:如有函数g,使得     

最近邻密度估计强一致收敛性的必要条件问题

设x_1,…,X_n为取自具有分布密度f中的iid样本,1965年Loftsgarden等提出一个常称为“最近邻估计”的 f_n(x)=k_n/2na_n(x) x∈R~1去估计f(x),关于f_n的收敛性质已有不少的研究,到1977年Devroye等(见Ann.Statist.,5(1977),p.536)得到了最佳结果。 若i)f在R~1上一致连续,则 关于本结果之逆,即(1)成立的必要条件,柴根象,陈希孺(见中国科大学报83.4.407)分别证得:条件i)是必要的,条件及也是必要的。那末条件iii)是否也     

极限函数的连续性与一致收敛性的关系

<正> 我们知道:如果f_1(x),f_2(x).…,f_n(x)…都在[a,b]上连续且f_1(x),f_2(x)…,f_n(x),…在[a,b]上一致收敛于f(x),那末f(x)必在[a,b]上连续.现在我们提出一个相反的问题:如果f_1(x),f_2(x),…,f_n(x),…都在[a,b]上连续,且f_1(x),f_2(x),…,f_n(x),…在[a,b]上收敛于     

关于线性算子方程的具有扰动的投影解

数学物理中的许多问题都可化为如下形式的算子方程λx=Kx+f x∈X,f∈X (1)来求解.这里 X 是 Banach 空间,λ(?)0为实参数。以后我们简记形如λI-T 的算子为λ—T。通常(1)的精确解是难求的,往往是用其近似方程λx=K_nx+f_n x∈X,f_n∈X (2)代替方程(1)而求其近似解,其中常用的方法是采用(1)的投影方程λx_n=P_nKx_n+P_nf x_n∈X_n (3)     

一类指数函数的高阶导数

在微积分学中,指数函数f(x)=e~(-x)~(-2)(x≠0)是一个非常简单而十分重要的初等偶函数,尤其是在函数的幂级数展开中,需要研究这个指数函数的有限形式的高阶导数及其性质.本文对此问题进行了研究,并得到如下结果:设f(x)=e~(-x)~(-2)(x≠0)的n阶导数为f_n(x)=fn(x)e~(-x)~(-2),则f_n(x)=sum from i=1 to n(-1)~(n+i)C_i(n)x~(-n-2i),其中C_1(n)=(n+1)!,C_i(n)=2sum from j=i to n(n+2i-1)!/(j+2i-1)!C_(i-1)(j-1),(1i≤n).     

无穷积分敛散性的一个新的判别法

华东师大1985年研究生入学试题中有一题[1]:设f(x)在[1,+∞)上连续,对任意 x∈[1,+∞)有f(x)>0,又 limx→+∞lnf(x)lnx=-λ,试证:若λ>1,则∫+∞1f(x)dx收敛.先对该试题作一推广成定理1,再推广成定理2,得到无穷积分敛散性的一个新的判别法.定理1　若f(x)在[1,+∞)上连续,对任意x∈[1,+∞)有f(x)>0,且 limx→+∞lnf(x)lnx=-λ,又(1) 若λ>1 (包括λ为+∞),则∫+∞1f(x)dx收敛;(2) 若λ<1,则∫+∞1f(x)dx发散;(3) 若λ=1,则∫+∞1f(x)dx可能收敛也可能发散.证(用比较判别法)　因 limx→+∞lnf(x)lnx=-λ,所以对 ε>0, X>1,当 x>X时有-λ-ε<…     

平稳序列最近邻密度估计的相合性

设{X_n}_(n=1)~∞ 是 R~d 中平稳过程,具有公共的未知密度 f(x).本文并不假定{X_n)_(n=1)~∞ 是独立的,考察基于前 n 个观察值{X_i}_(i=1)~n 的f(x)的最近邻估计.在过程{X_n}_(n=1)~∞ 是φ混合或强混合的情形下,得到了逐点相合性、一致相合性以及收敛速度.     

最近邻密度估计的逐点强收敛速度

Let X_1,…,X_n be i.i.d,samples drawn from an one-dimenslonal,population withdensity f.Definef_n(x)=(na_n(x))~(1-) sum form i=1 to n K((X-X_i)/(a_n(x))).We study the strong convergence rate of f_n(x) to f(x)at a predetermined point x_o.Under some properly chosen conditions,for f(x_o) and g_n(x_o)proposed in [3],we havepointwisebywhere C_n is any sequence tending to ∞,and n approaches ∞.If f(x)is only assumed tobe continuous at x_o.Then f_n(x_o)may converges to f(x_o)arbitrarily slowly.     

密度核估计的强一致相合性

关于密度函数f(x)的核估计,f_n(x)=(nh_n~d)~(-1)sum from i=1 to (?)(k(x-X_i/h_n)),Devroye和Wagner[1]给出一维情形下,f_n一致强相合于f的一组充分条件,本文给出多维情形下f_n的一致强相合性,而对K和h_n所加的限制是弱的,同时本文改善了徐达明,白志东[2]所得的结果。     

相依样本下一种近邻密度估计的相合性

设{ Xn}^∞ n=1是R^1中的平稳过程,具有公共的未知密度函数f(x) ,我们研究基于前n个观测值X1,X2,… Xn的f(x)的一种近邻估计fn(x).本文假定{Xn}^∞ n=1O φ-混合或强混合的,在对混合系数φ(n)趋于零的速度的适当限制下,证明了fn(x)的逐点相合性一致强相合性.并得到了这两种相合性强收敛速度.     

条件密度近邻-核估计的强相合性

Let (X, Y), (X_1, Y_1), …, (X_n, Y_n) be R~p×R~q-valued i.i.d, random vectors, and f(y|x) the conditional density function of Y, given X=x. Note that the existence of the density of (X, Y) is not assumed here. In this paper, we introduce the nearest neighborkernel estimator f_n(y|x) of f(y|x), and establish the strong consistency of f_n(y|x) under some mild conditions.     

关于变量个数的几个单调函数

目前 ,人们对比较变量大小之间关系的不等式较为关注 ,但是 ,笔者发现 ,有一些不等式在变量的定义域内 ,经过变量置换 ,可以得到关于变量个数的一些单调函数 .为了讨论方便 ,设实函数 f(x)的定义域为x∈(a ,b) ,实数Pi>0 (1≤i≤n) ,n∈N .记λn=∑ni=1Pi,An=∑ni=1Pixi/λn,Bn=∑ni=1Pif(xi) /λn.定理　若 f(x)在区间 (a ,b)上为凸函数 ,则φ(n) =λn[f(An) -Bn]是n的递增函数 .证　设x′i∈ (a ,b) ,根据凸函数定理有f(A′n)≥B′n (1)A′n=∑ni=1Pix′i/λn,B′n=∑ni=1Pif(x′i) /λn.令x′1=x′2 =… =x′n - 1=An - 1,x′n=xn…     

一种神经网络算子及其逼近阶估计

讨论了一种神经网络算子f_n(x)=sum from -n~2 to n~2 (f(k/n))/(n~α)b(n~(1-α)(x-k/n)),对f(x)的逼近误差|f_n(x)-f(x)|的上界在f(x)为连续和N阶连续可导两种情形下分别给出了该网络算子逼近的Jackson型估计.     

UNIFORM STRONG CONVERGENCE RATE OF NEAREST NEIGHBOR DENSITY ESTIMATION

Based on [3] and [4],the authors study strong convergence rate of the k_n-NNdensity estimate f_n(x)of the population density f(x),proposed in [1].f(x)>0 and fsatisfies λ-condition at x(0<λ≤2),then for properly chosen k_nlim sup(n/(logn)~(λ/(1 2λ))丨_n(x)-f(x)丨C a.s.If f satisfies λ-condition,then for propeoly chosen k_nlim sup(n/(logn)~(λ/(1 3λ)丨_n(x)-f(x)丨C a.s.,where C is a constant.An order to which the convergence rate of 丨_n(x)-f(x)丨andsup 丨_n(x)-f(x)丨 cannot reach is also proposed.     

α-混合随机序列最近邻密度估计的强相合收敛速度

设{Xi）i=1^∞是一维平稳序列，具有公共的未知密度f（x），在{Xi}i=1^∞是α-混合的条件下，给出了f（x）基于前礼个观测值{Xi}i=1^∞的最近邻密度估计的强相合收敛速度，当f（x）满足适当条件，收敛速度可达到0（n^-1/3（ln n）^4（1＋p）／3））．     

关于修正的Lagrange插值多项式

1932年,S.Bernstein以第一类Chebyshev多项式的零点作为插值结点构造了f(x)∈C_(|-1,1)|的次数小于λ_n,1<λ<2,的修正的Lagrange插值多项式Q_n(f,x),证得了当n→∝时Q_n(f,x)在[-1,1]上一致收敛于f(x).本文得到了Bernstein这一结果的点态估计.     

关于密度估计的不变原理

设f(x)为i.i.d随机变量序列X_1,X_2,…共同的分布密度函数,它的核估计为其中h_n↓0,核函数K∈D(-∞,+∞)。 本文首先考虑了由f_n产生的一类D中的随机元的有限维分布的收敛性,然后着重讨论了由f_n产生的另一类D中的随机元在对核函数的适当限制下向正态随机元的弱收敛性。     

R~d中最近邻估计收敛速度与其随机窗宽a_n(x)的关系及应用

J.Kuebles~[1](1976)讨论了核估计收敛速度与其常数窗宽h_n的关系,陈希孺~[2](1981)讨论了一维最近邻估计的一致强收敛速度,柴根象~[3](1984)就多维情况作了讨论,指出:若密度f在R上的二阶导数有界连续,达不到O(n~(-2/7))的数量级,本文在核函数比[2]、[3]大大放宽后,找到了R~d中最近邻估计f_n(x)的收敛速度与其随机窗宽a_n(x)的关系,结果与[1]完全相似。当f满足[3]中条件时,应用本文结果得:对R中任意有界闭集的收敛速度为O((n/loglogn)~(-1/3)),这个速度大大超过O(n~(-2/7))。     

E-凸函数和E-拟凸函数的等价条件

在更弱的连续假设下研究集合A_(x,y)={λ∈[0,1]|f(λE(x)+(1-λ)E(y))≤λf(E(x))+(1-λ)f(E(y))}和集合A′_(x,y)={λ∈[0,1]|f(λE(x)+(1-λ)E(y))≤max{f(E(x)),f(E(y))}}的稠密性、闭性、(弱)近似凸性,得到E-凸函数和E-拟凸函数的等价条件.