负相协样本多维边际密度的经验似然推断

研究负相协样本多维边际密度函数的经验似然置信区间的构造,证明了负相协样本多维边际密度函数的分组经验似然比统计量的极限分布为卡方分布,由此结果可构造多维边际密度函数的经验似然置信区间.     

NA样本情形线性指数分布参数的经验Bayes估计

利用同分布负相协(NA)样本构造密度函数及其导数的核估计,得到线性指数分布参数的经验Bayes(EB)估计,并给出EB估计在适当条件下的收敛速度.     

同分布负相协情形下威布尔分布族参数的经验贝叶斯检验问题

在同分布负相协样本情形下研究了威布尔分布族参数的经验贝叶斯检验.利用密度函数核估计方法构造了参数的经验贝叶斯检验函数,在加权线性损失下获得了该估计的收敛速度,在适当条件下证明了经验贝叶斯检验函数的渐近最优性.     

ND样本密度函数的小波估计

设X1,X2,…,Xn是同分布的负相依(ND)随机样本,且其密度函数f(x)未知,利用小波方法,构造了f(x)的小波估计器,并给出该估计器在Besov空间上的Lp(1≤p∞)风险上界。     

小波密度估计器的平均相合性

目的 设随机变量X服从的密度函数f(x) 未知, 利用小波基的优势给出f(x) 的估计。方法 利用紧支撑小波, 构造密度函数f(x) 的线性小波估计器f＾_n(x)。结果 在不假定密度函数具有任何光滑性的条件下, 证明了f＾_n(x) 的L^p(1＜p≤∞) 平均相合性。结论 表明小波估计器的优越性, 为进一步计算收敛阶提供理论基础。     

ALNQD序列密度函数核估计的强相合性

设{X_n,n≥1}为一同分布的渐近线性负相依(ALNQD)序列,f_n(x)为密度函数f(x)基于样本X_1,…,X_n的核估计.在适当的假设条件下,利用ALNQD序列的矩不等式和Borel-Cantelli引理,证明核密度估计的强相合性、一致强相合性及r阶相合性.     

基于偏差密度模型的小波估计*

讨论了带加权分布且基于分层相协随机变量的密度函数估计问题, 提出了线性小波估计器, 并给出该估计器的~$L^p\ (1\leq p<\infty)$~风险上界.     

PA样本下密度核估计的相合性

设{X,i≥1}为同分布正相协（简记PA）随机变量序列，f(x)为X1的概率密度函数，基于样本X1，X2，…Xn，在适当条件下证明了密度函数f(x)核估计的强相合及r阶矩相合。     

LPQD序列密度函数核估计的相合性

设{X_n,n≥1}是一LPQD序列,f(x)为其概率密度函数,基于样本X_1,X_2,…,X_n,对密度函数f(x)的核估计进行讨论,在适当条件下,利用Borel-Cantelli引理、矩不等式等证明了核密度估计的强相合性、r阶相合性.     

混合序列密度函数核估计的相合性

设{X_n,n≥1}是一随机变量序列,f(x)为其概率密度函数,基于样本X_1,X_2,…,X_n,对密度函数f(x)的核估计进行讨论,在适当条件下,利用Borel-Cantelli引理、矩不等式等证明了ρ-混合和φ混合序列核密度估计的强相合性、r阶相合性.     

NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,并在适当的条件下获得(EB)估计的速度.     

随机变量序列的大偏差估计

利用Markov不等式和Cr-不等式,研究了条件n∑i=1E[|X|p]=O(np)下的φ混合序列、负相协(NA)序列、渐近几乎负相协(AANA)序列的大偏差估计.     

一类递归密度估计的强收敛

一、引言设X_1,X_2,…,X_n是从一维总体中取出的iid样本,为估计总体密度f(x),Rosenblatt提出了所谓核估计(?)_n(x)=nh_n/1 sum from j=1 to 1 K((x—X_j)/h_n). 其中,K为R~1上的概率密度,称为核函数,h_n>0称为窗宽。1962年,Parzen研究了(?)_n(x)的相合性及渐近正态性,此后,密度估计引起了统计界的广泛注意。六十年代末七十年代初,Wolverton和Wagner以及Yamato独立地提出了f(x)的另一种估计     

带混合噪声回归模型小波估计器的相合性

针对带混合噪声回归估计问题,利用小波方法构造线性小波估计器,并在不假定待估回归函数具备任何光滑性的前提下,证明小波估计器的L^p(1≤p<∞)相合性。     

广义指数分布顺序统计量的分布性质

文章在总体服从广义指数分布时,抽取样本X_1,X_2…,X_n,设X_((1)),X_((2)),…,X_((n))为其顺序统计量,研究了(X)_((1)),X_((2)),…,X_((n))的联合概率密度函数;X_((1))和X_((n))的密度函数。进而得到了X_((1))和X_((n))的数学期望和方差,证明X_((1)),X_((2))-X_((1)),…,X_((n))-X_((n-1))不独立且不同分布。     

最近邻密度估计强一致收敛性的必要条件问题

§1 引言设X_1,…,X_n为自分布F中抽出的iid.样本。若F有密度,则记为f.为估计f,Loftsgarden等在[1]中提出了下述方法:选定适当的自然数k_n≤n,找最小的数a_n(x)=a_n(x(?),X_1,…,X_n)使,[x-a_n(x),x+a_n(x))中至少包含X_1,…,X_n中的k_n个点,然后用     

NA样本情形下Gamma分布族参数的经验贝叶斯估计

现有文献中关于EB估计的结果大多是针对相互独立同分布的样本而考虑的,然而在可靠性理论,渗透理论和某些多元统计分析问题中,随机样本常常不是独立同分布的.本文讨论了Gamma分布族在平方损失下参数的贝叶斯估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,在适当条件下证明了EB估计的渐近最优性,并获得了其收敛速度.     

PA样本下连续型单参指数族参数的EB估计

目的 研究PA样本情形下连续型单参指数族参数的经验Bayes估计.方法 对密度函数及其导函数采用核估计的方法 构造了参数的EB估计.结果 在平方损失函数下,给出PA样本情形参数EB估计的收敛速度.结论 在适当条件下,连续型单参指数族参数的经验Bayes估计,在PA样本下收敛速度可与iid样本及NA样本一样,任意接近D(na-1/2).     

NA误差下回归函数小波估计的渐近性质（英文）

考虑固定设计回归模型Yi=g（xi）＋εi,i=1,…,n,其中{xi}是固定设计点,g（.）是未知函数,{εi}是负相协误差随机误差。本文在适当的条件下,讨论了未知函数g（.）的小波估计量的r-阶矩相合,依概率收敛和强收敛以及渐近正态性。     

多变量密度函数的小波估计

本文给出并证明了多变量密度函数的线性小波估计的几个统计性质.基于多变量小波变换,本文主要讨论了多变量密度函数的线性小波估计.在Besov空间中,给定条件下,得到了线性小波估计的几个统计性质,本文并且给出了这些统计性质的证明.