ψ-混合相依变量线性形式的强稳定性(英文)

线性形式的强稳定性在科学技术上存在着广泛应用. 本文讨论了ψ-混合随机变量列线性形式的强稳定性.通过对ψ-混合随机变量列运用截尾术, 借助于ψ-混合随机变量的性质以及Borel-Cantelli引理, 得到了ψ-混合随机变量线性形式具有强稳定性的充分条件. 同时也给出了一些其它形式的结果.     

一维Brown运动图集的拟几乎处处Hausdorf维数

证明了一维Ｂｒｏｗｎ运动图集的Ｈａｕｓｄｏｒｆ维数拟几乎处处等于３／２．     

带辅助协变量的相关失效时间数据的加权估计伪部分似然方法

本文在不同基准风险边际模型下考虑带辅助协变量的相关失效时间数据的统计推断.假设感兴趣的主协变量仅在全研究队列的一个子集中是精确测量的,而主协变量的辅助协变量则对研究队列的全部个体均可获得.首先利用辅助信息经验地估计相对风险函数,然后提出一种加权估计伪部分似然(weighted estimated pseudo-part...     

长时间相依游动的分形性质

给定ε=(εi)j≥1∈{-1,+1}∞,考虑两种长时间游动和Qn(ε)=,0＜α≤1.我们得到了{Pn(ε)～bna}和{Qn(ε)～bna}的Hausdorff维数.     

遗传参数的极大似然估计

将Luo和Woolliams模型中的混合正态分布推广到混合对数正态分布.先用矩量法得到各参数的估计值,再将此估计值作为EM(Expectation Maximization)算法迭代的初值进行迭代,将矩量估计和极大似然估计结合起来,提高了EM算法的收敛速度并使修改后的模型更符合生物学事实.     

基于DNA微阵列数据分析的分级Bayes模型

如何分离出少量区别不同组织类型的特异性基因是DNA微阵列数据分析中的主要问题,特别是构建恰当的统计模型来刻画这些不同组织类型的DNA表达形式尤为重要.为此,基于基因DNA微阵列数据的特点,我们假定对数变换后的微阵列数据服从混合正态分布.我们采用分级Bayesian先验刻画不同基因的相关性,利用分级Bayesian方法构建模型,给出了刻画不同组织基因表达的差异的一个标准,用MCMC迭代计算该标准.模拟计算表明我们的模型具有较好的识别能力.     

THE REGULARITY OF RANDOM GRAPH DIRECTED SELF-SIMILAR SETS

A set in R^d is called regular if its Hausdorff dimension coincides with its upper box counting dimension. It is proved that a random graph-directed self-similar set is regular a.e..     

NQD样本最近邻密度估计的相合性

随机变量X1，…，Xn称为是两两NQD的，若对于任意Xi，Xj（i≠j，i，j=1，2，…，n）都有：P（Xi〈x，Xj〈y）≤P（Xi〈x）P（Xj〈y）．利用两两NQD序列的Bernstein不等式，证明了两两NQD样本最近邻密度估计的弱相合性，强相合性以及一致强相合性．本文要求的条件弱于杨善朝等关于NA样本最近邻密度估计相合性所要求的条件，从而推广了杨善朝等的结果．     

Cox比例风险模型中基于SELO惩罚函数的变量选择方法

在生物医学研究中,研究个体的失效时间往往存在删失,Cox比例风险模型是经常被用来处理此类删失数据的模型.对于带有删失的高维数据,如何从众多协变量中挑选出少数的致病因素是研究者的兴趣所在.本文针对高维删失数据利用SELO惩罚函数考虑了基于Cox比例风险模型框架下的变量选择及参数估计问题.在允许协变量维数发散的条件下,本文给出SELO惩罚估计量的相合性以及oracle性质.计算方面若采用传统方法计算惩罚估计解,当协变量维数较高时计算Hesse阵的逆矩阵需要花费大量的时间,且SELO惩罚函数在原点的不光滑性也给计算SELO惩罚估计带来很大难度.为此,本文利用光滑化技术对SELO惩罚函数进行近似,并利用DFP公式去代替Hesse阵的逆矩阵,进而提出了MSQN算法.模拟计算的结果表明,SELO惩罚方法比已有常用的惩罚方法表现更好,而且本文提出的新算法与常用的坐标下降算法相比表现更优.在真实数据部分,本文还分析了乳腺癌数据,并利用留一交叉验证法来评估预测的好坏.     

THE CONSISTENCY AND ASYMPTOTIC NORMALITY OF NEAREST NEIGHBOR DENSITY ESTIMATOR UNDER α-MIXING CONDITION

We investigate the consistency and asymptotic normality of nearest-neighbor density estimator of a sample data process based on α-mixing assumption. We extend the correspondent result under independent identical cases.