渐近Bayes判别

设(θ,X),(θ_1,X_1),…,(θ_n,X_n)是取值于{0,1}×R~d的iid随机向量,P(θ=0)=P_0,P(θ=1)=P_1=1—p_0,而X在给定θ=i时的条件密度是f_i(x),i=0,1.记D(x)=P_1f_1(x)—P_0f_0(X),则I{D(x)≥0}(X)是θ的Bayes判别函     

关于非参数回归核估计的强相合性

令(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d随机向量,对某个p>2,E(|Y|~p)<∞。我们用x及(X_1,Y_1),…(X_n,Y_n)的函数m_n(x)来估计回归函数m(x)=E(Y|X=x)。m(x)的一类非参数核估计定义为     

回归函数之改良近邻估计的强相合性

设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为一串iid.d×1维随机向量,E|y|<∞。为估计m(x)=E(Y|X=x),对固定的x∈R~d,将(X_1,Y_1),…,(X_n,Y_n)按照     

条件中位数的核估计

设(X,Y)为取值于R~d×R~1的随机变量。在给定X=x∈R~d的条件下,Y的条件分布函数记为F_x(y)。条件中位数ζ_x定义为ζ_x=inf{y:F_x(y)≥1/2}、设(X_1,Y_1),(X_2,Y_2),…,(X_n,Y_n)为(X,Y)的i.i.d.观察值。我们的目的是利用核函数方法构造ζ_x基于上述观察值的一种估计。令     

可单位分解多个交换算子的摄动

设x是Banach空间,(X)是X上有界线性算子全体,a=(a_1,…,a_n)(X)为交换组,sp(a,x)记J.L.Taylor意义下的联合谱。a称为m可单位分解的(m≥2为固定自然数):若对C~n的任意m开覆盖{G_j}_(j=i)~m,存在与a可换的算子{V_j}_(j=i)~m(V_j称为a的局部投影算子)和a的不变子空间{X_j}_(j=i)~m满足:若对任意自然数m≥2,a是m可单位分解的,则a称为可单位分解的。     

关于广义U、统计量的Jackknife与Bootstrap

设{X_j}_(j=1)~(n_1)、{Y_k)_(k=1)~(n_2) 分别为来自总体F_1与F_2的独立样本,{X_j}与{Y_k}相互独立。且设φ(x_1, …, x_(m_1); y_1,…, y_(m_2))为分别关于各x变元和各y变元对称的Borel可测函数。关于θ=Eφ的无偏估计可取以为核的广义U统计量     

回归函数核估计L_1收敛的必要条件

设(X_i,Y_i),i=1,2,…是从(X,Y)的分布中抽取的(d 1)维随机向量。回归函数m(x)=E(Y|X=x)(如果它存在)的核估计是     

典型相关与广义相关系数

设x和y分别为p×1、q×1随机向量,协方差矩阵为记ρ_i(x,y)为x与y的第i个典型相关系数,即且ρ_1(x,y)≥…≥ρ_t(x,y)>0,t=R(Σ_(xy))。这里A~-和R(A)分别表示A的广义逆和秩。本文证明了如下三个定理。定理1 设q≤r=R(Σ_(xx)),则q×1随机向量y满足cov(y)=l_q,且使达到最     

分式Brown运动的重点与Hausdorff维数

设X(t)(t∈R~N)是d维分式Brown运动,x∈R~d称为X(t)(t∈R~N)的k重点,若存在互不相同的t_1,…t_k∈R~N使X(t_1)=…=X(t_k)=x。Kono和Goldman研究了X(t)(t∈R~N)的k重点的存在性,     

一个简单信源网络的编码定理

x,y是两个有限集,(X,Y)是取值x×y的联合随机变量.给定一个相关离散平稳无记忆信源{(X_v Y_y)}_(t-1)~∞,即一列独立同分布的随机变量,(X_t,Y_t)取值于x×y,且与(X,Y)同分布.R表示非负实数集合.给定两个有限集X_0,X_1,及相应的率失真度量d_i:X×X_i→R~ ,i=0,1.我们研究的简单信源网络的通讯模型框图如图1:向量(R_1,R_2,D_0D_1)∈(R~ )称为可达的,如果对任     

分布自由的核回归估计的相合性

设(X_1,Y_1),(X_2,Y_2),…为(X,Y)的样本,X,Y分别在R~d,尺中取值,μ为X的概率分布。对于经ⅱd样本,文献[1]在E|Y|     

部分线性模型参数分量的M估计的渐近正态性

Engle等人提出了下列部分线性模型Y_i=X_i~tβ_0 g_0(T_i) u_i,1≤i≤n其中(T_1,X_1~t,Y_1),…,(T_n,X_n~t,Y_n)是随机向量(T,X~t,Y)的i.i.d.样本,U_i为随机误差,U_1,…,U_n与(T_1,X_1~t),…,(T_n,X_n~t)相互独立,X∈R~d,T∈[0,1],β_0为未知参数向量,g_n是一光滑未知函数.文献中,有许多学者讨论了关于这个模型的估计问题,包括惩罚函数法、基于分段多项式逼近的最小二乘法和基于核函数近似的最小二乘法.由于上述方法得到的估计不稳健,本文用分段多项式逼近g_0讨论较稳健的M估计.记g_n(t)=(?)(t)~ta为一分段m阶多项式,其段数为M_n,其中(?)(t)是一函数向量,β_0和     

非参数M-估计的Bahadur表示

设(X,Y),(X_1,y_1),(X_2,Y_2),…为独立同分布二维随机变量序列,φ(·)为定义在R~1上的单调递增函数.对任意,x∈R~1,设θ(x)满足     

与一类超过程相关的Dirichlet问题

设ξ=(∈_ι,Π_x)是R~d中的右过程,令 (?)(x,z)=a(x)z b(x)z~2 integral from n =1 to ∞(e~(-uz)-1 uz)n_x (du), x∈R~d,z∈R~ ,(1)考虑下面Dirichlet问题 Av(x)-(?)(x,u(x))=0,x ∈　 D,(2) (?) u(x)=f(a),a∈(?)D~r,(3)这里D是R~d中有界区域,(?)D~r表示(?)D中正规点全体,且A是ξ关于D的特征算子. 我们用M表示(?)(R~d)上的有限测度全体,用(?)表示M上由fB(μ)=μ(B),B∈(?)产生的σ-代数.本文中τ都表示开集D的首出时.根据Dynkin存在取值于(M,(?))的具有参数(ξ,(?))的超过程 X={X_t,X_τ,P_μ,μ∈ M}.Dynkin在文献[1]中证明了如果ξ是光滑一致椭圆算子,关于x局部Lipshitz连续,公式 v(x)=- log Pδexp(-(f, X_τ))(4)是方程(2)Dirichlet问题的唯一解.本文将上面结果推广到一些一般型条件(底过程不一定连续).     

部分线性模型中M型回归样条估计的一些新结果

考虑下列部分线性模型Y_1-X′_1β_0+g_0(T_1)+e_i,1≤i≤n,其中(T_1,X_1,Y_1),…,(T_n,X′_n,Y_n)是随机向量(T,X′,Y)的 i.i.d.样本,X∈R~d,T∈[0,1],β_0为未知参数向量,g_0是一光滑未知函数.这个模型在文献[1]中首次被提出,文献中研究过β_0和 g_0(t)的估计,例如,基于惩罚函数法的平滑样条估计;基于核方法的估计;用分段多项式来逼近 g_0,基于最小二乘法的估计.由于上述估计不稳健,文献[8]用分段多     

同伦单纯轮迴算法

我们证明了以下定理: 定理1 设I~m=[a_1,b_1]×…×[a_m,b_m],{T~(?)i)为I~m×[0,1]的正常单纯剖分序列,H:I~m×[0,1]→R~m为同伦,H~(-1)(0)={(x,t) H(x,t)=0,(x,t)∈I~m×[0,1]}。已给η>0,我们记Z_η={(x,t)∈I~m×[0,1]|ρ((x,t),H~(-1)(0))<η},其中ρ为点(x,t)到集合H~(-1)(0)的距离。则存在     

用相位确定信号的一个问题

设x(n)和y(n)是两个实数列,其中n取值0,1,2,…,它们的Z变换分别为 X(z)=sum from n=0 to ∞ x(n)z~n,y(z)=sum from n=0 to ∞ y(n)z~n。若x(z)和Y(z)在|z|≤1上解析,于是当ω∈[-π,π)时有 X(e~(iω))=|X(e~(iω))|e~(iω)x~(ω),Y(e~(iω))=|Y(e~(iω))|e~(iθ)y~(ω),这里θ_x(ω)和θ_y(ω)分别称为x(n)和y(n)的相位谱。现在的问题是如果θ_x(ω)=θ_y(ω),则x(n)和y(n)应有怎样的关系?Oppenheim等在文献[1]中得到一些结果,主要的是下面的     

d维布朗运动未离时的分布

设X(ω)={x_t(ω),t≥0}是标准布朗运动,相空间(R~d(?)~d)d≥3。P~x,x∈R~d是开始于x的概率。简记P=P~0,θ,是推移算子(t≥0)。记S_r为中心在原点半径是r的球面。     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

半参数截断族中的渐近有效估计

设X_1,…,X_n是iid.样本,抽自截断型分布:■(1)其中f是一未知的[θ_1,θ_2]上的密度函数。为估计线性参数函数g(θ)=c_1θ_1+c_2θ_2,令