NA样本下Lindley分布参数的经验Bayes检验

基于NA随机样本序列,讨论了Lindley分布的参数θ的经验Bayes检验函数问题H_0:θ≤θ0H_1:θθ_0。结论:构造了参数的经验Bayes检验函数,并获得其渐近最优性;在适当条件下证明了经验Bayes检验函数的收敛速度Ο(n~(-1/2))。     

NA样本下艾拉姆咖分布参数的经验Bayes检验

【目的】研究NA样本下艾拉姆咖分布参数的经验Bayes检验问题。【方法】在同分布负相协(NA)随机列{X1,X2,…,Xn}下,利用概率密度函数的变窗核估计方法,讨论了艾拉姆咖分布参数θ的经验Bayes检验问题。【结果】首先得到了经验Bayes检验函数δn(x),然后证明了δn(x)的渐近最优性。【结论】在适当的条件下,利用相关引理和不等式,可获得参数θ的经验Bayes检验函数δn(x)的收敛速度为Ο(n~(-1/2))。     

一类离散分布参数的渐近最优经验Bayes估计

本文考虑一类离散指数分布族参数的多项式在平方损失下的经验Bayes(EB)估计.给定θ当前样本X的条件分布有P_θ(X=x)=p(x|θ)=h(x)β(θ)θ~x,x=0,1……的形状,此处h(x)>0,θ∈Ω={θ:θ>0,h(x)θ~x<∞}假定i)θ的先验分布族G∈,={G:dG<∞}.ii)存在有限常数A 使h~2(x)≤Ah(x-1)h(x 1),对x=1,2,……成立.则θ的k 阶多项式Q_h(θ)=(?)的“自然”BE 估计(定义见(8)式)是渐近最优(a,0)的.     

负相伴样本指数分布参数的经验Bayes检验

讨论了负相伴样本情形指数分布中寿命参数θ的经验Bayes单侧检验问题:H0:θ≤θ0 H1:θ>θ0,利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优性,并获得了其收敛速度.     

带有向量参数的参数线性规划解的连续性

本文证明了参数线性规划 P(λ,μ,θ):min{c~T(λ)x|A(μ)x=b(θ),x≥0}当μ,λ不出现,b(θ)=b_1+F_θ,b_1∈R~m,F 是 m×t 矩阵,θ∈R~t 时,最优顶点集 VS(θ)是下半连续的,还给出了当μ,θ不出现,c(λ)=c_1+H_λ,c_1∈R~n,H 为 n×r 矩阵,λ∈R~r 时,最优顶点集 VS(λ)下半连续的充分必要条件。     

NA 样本下非对称损失函数截尾参数的经验Bayes检验

研究了负相关(NA)样本下具有非对称损失函数单边截尾参数的经验Bayes检验.其损失函数为L(θ,θ0 )=k1 (θ-θ0 )2I(θ＜θ0 ) [k1 (θ- θ0 )2 k2 (θ- θ0 )] I(θ≥θ0 ),ki≥0,i = 1,2.应用概率密度函数的核估计来构造检验函数,得到了它的收敛速率具有渐近最优性. 并发现对所提出的EB检验,在某些条件下,具有渐近最优性的收敛速率,能够任意接近于1.     

抛物型方程第三边值问题的积分算子方法

本文是利用一类积分算子([1]—[5])将热传导方程的解映照到变系数抛物型方程的解,并用积分算子方法来解决抛抛物型方程的第三边值问题。考虑一般的两个自变量的抛物型方程u_(xx) a(x,t)u_x b(x,t)u=c(x,t)u_t (1) 其中系数a(x,t),b(x,t),c(x,t)在区域D_0={(x,t):σ_1(t)0,而σ_1(t),σ_2(t)在O≤t相似文献   

关于一些Hermite-Fejer算子逼近度的注记

本文研究以Jacobi多项式的J_n(x)=sin(2n+1)/2θ/sinθ/2(x=cosθ,0≤θ≤π)的零点为基点的Hermite-Fejer插值过程H_(2n-1)(f,x).对于Lipα(0<α<1)类中函数,改进了[1]的结果:得到了H_(2n-1)(f,x)逼近有界变差函数的阶估计. 设函数f(x)∈C〔-1,1〕,x=cosθ(0≤θ≤π),J_n(x)是n阶Jacobi多项式,x_k=x_k~(n)=cosθk=cos(2kπ)/(2n+1)(k=1,2,…,n)是J_n(x)的零点,以{x_1,x_2,…,x_n}为基点的Hermite-Fejer插值算子是(见文〔1〕(4))     

离散指标下的最近邻判别分析

设(θ,X),(θ_1,X,),…,(θ_n,X_n)是独立同分布的随机向量,θ∈{0,1},X∈x{0,1,2,…相似文献   

一个最优设计问题

设试验点集是X={x(t)=kt b:t∈[0,1],|k|≤B_1,|b|≤B_2},其中B_1>0,B_2>0都是已知数,参数空间={θ:θ∈L_2[0,1]}。被观察的随机过程为 Y(x,t)=∫_0~tθ(u)x(u)du N(t),t∈[0,1]其中{N(t),t∈[0,1]}是Weiner过程。本文得到关于线性泛函脉θ_0~*(θ)=∫_0~1θ(u)du的线性估计的最优设计为ξ_0=(x_1,x_2 α, 1-α)其中x_1=-B_1t-B_2,x_2=B_1t B_2,α满足0≤α<1。在得到这个设计时用到了Spruill[2]的一个定理。发现Spruill[2]中(16)式的证明是错的,因为他的叙述“因是对称的且凸的,对充分小的ε>0,(β-ε)θ~*∈”是错的,本文已将这个错误订正。     

对数误差平方损失函数和MLINEX损失函数下一类分布族参数的Minimax估计

考虑如下一类分布族:F(x;θ)=1-[g(x)]θ,A≤x≤B,θ＞0,其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0.在对数误差平方损失函数和MLINEX损失函数下,得到了参数的Bayes估计和Minimax估计.     

二项分布参数的经验Bayes估计Ⅰ—损失函数为(p-d)~2的情况

为方便读者,我们先对经验Bayes 方法(Empirical Bayes Method)作一简略的介绍,并借此引进必要的记号.设变量X 有样本空间(x,(?)),其分布族为{p_0(x)dμ,θ(?)},此处μ为(?)上的一个σ-有限测度,又为简单计,设(?)为(—∞,∞)的一子区间(有限或无限的),设要估计θ,损失函数为L(θ,d)=λ(θ)(θ—d)~2.则如已知θ的先验分布G(给定在由(?)的Borel 子集构成的σ-域(?)上),不难求出在损失函数(1)之下,θ的Bayes 估计为     

最近邻预测问题中条件风险估计量的完全收敛性

设(X,θ)是随机向量,X∈R~d、θ∈R~1;(X_i,θ_i)是(X,θ)的i.i.d.随机样本,i=1,…,(?)bjL_n是平方损失下最近邻(NN)预测的条件风险.设是L_n的估计量,其中θ_(nj),是按训练样本(X_1,θ_1),…,(X_(j-1),θ_(j-1)),(X_(j+1),θ_(j+1)),…(X_n,θ_n)与观察到的X_j对θ_j所作的NN预测。众所周知,在一定的条件下,L_n→2R~*,α,s.,其中R~*是Bayes风险。本文得到了L_n的完全收敛速度,即在E|θ|~(2+δ)<∞(δ>0)及其它条件下证明了     

关于（0,2）型插值多项式逼近

设n是偶数,P_(n-1)(x)是Legendre多项式,R_n(f,x)是以(1-x~2)P~(?)_(n-1)(x)的零点为基点的所谓(0,2)型插值多项式。本文构造了两个函数类H_(ω_2),H_(ω_1)~*,研究了R_n(f,x)逼近H_(ω_2),H_(ω_1)~*中函数f(x)的阶,并且验证了所给出的逼近阶是最佳的。     

多元线性回归模型中的经验Bayes检验

本文研究了线性模型中参数的经验Bayes检验的渐近最优性及其收敛速度问题。假设模型为Y=Xβ ε,基中ε～N(0,σ~2I),σ~2未知。通过利用X,Y和n个相互独立的历史样本,我们构造了θ=(β~1,σ~2)′的经验Bayes检验,并证明了该检验与最优的Bayes检验相比是渐近最优的,而且其收敛速度可以任意接近O(n~(-1/2))。     

一类微分多项式的幅角分布

本文的主要结果是:设f(z)为ρ级亚纯函数,0<ρ<∞,arg z=θ_0是f(z)的一条ρ级Borel方向。若存在ε_0>0及复数c≠0,使在角域|arg z—θ_0|<ε_0内f(z)以c为Borel例外值,则对任何复数a≠0,整数n≥5及正数ε(≤ε_0),有     

NA样本下艾拉姆咖分布参数的经验Bayes检验

【目的】研究NA样本下艾拉姆咖分布参数的经验Bayes检验问题。【方法】在同分布负相协(NA)随机列{X1,X2,…,Xn}下,利用概率密度函数的变窗核估计方法,讨论了艾拉姆咖分布参数θ 的经验Bayes检验问题。【结果】首先得到了经验Bayes检验函数δn(x),然后证明了δn(x)的渐近最优性。【结论】在适当的条件下,利用相关引理和不等式,可获得参数θ 的经验Bayes检验函数δn(x)的收敛速度为Ο(n-1/2) 。
     

集值集压缩映象的某些不动点定理

设PX是实Banach空间X的一锥。P_R={x∈P:‖x‖r>0使得(L_1):Ax≮x,x∈P_r且(L_2)ε>0,(1+ε)x≮Ax,x∈P_R,则A在P_R\P_r中有一不动点。Leggett(1980)将(L_1)削弱为(L′_1):Ax≮x,x∈P(u),‖x‖=r,杜旭光(1983)进一步将(L′_1)削弱为(L″_1):Ax≮(1—ε)x,x∈P(u),‖x‖=r,0<ε<1.本文将上述文献中的全连续算子推广到集值凝聚映象,球形区域换成一般开集且将(L″_1)和(L_2)作进一步削弱。本文的结论改进和统一了[2,3,4,5]中相应结果。     

两个方差分量的线性函数的非负可估性

一、问题的提出考虑模型■ (1.1)其中 rk(x)=r≤p相似文献   

对称损失下一类刻度分布族参数的估计

q对称熵损失函数L(θ,δ)=θ_q/δ_q+δ_q/θ_q-2(0-νe_-T(x)/θ参数θ的估计, 得到 了θ的最小风险同变(MRE)估计及Bayes估计的一般与精确形式, 并讨论了θ的形如cT(X)+d的一类线性估计的可容许性和不可容许性以及θ的MRE估计的最小最大性.