NA随机变量的两个极限定理

NA(negetively associated)随机变量在可靠性理论及多元分析中有广泛应用,近来,对此类随机变量极限定理的研究已引起很多学者的关注.定义1称随机变量X_1,…,X_n(n≥2)为NA的,如果对于{1,…,n}的任何两个不相交的非空子集T_1和T_2,都有Cov(f_1(X_i,i∈T_1),f_2(X_j,j∈T_2))≤0,其中f_1和f_2是任何两个使上述协方差存在的对每个变元均非降(或均非升)的函数.称随机变量列{X_i,i∈N}是NA的,如果对任何自然数n≥2,X_1,…,X_n.都是NA的.近来的研究表明,NA序列有许多与独立序列极为类似的极限性质,这为NA序列在应用上提供了有力的理论依据.近来,我们证明了引理1 设{X_j,j∈N}为零均值的NA序列,且对某个p≥2,.记则存在仅与p有关的常数K_p>0,使对任何自然数a和n有,本文就用引理1建立了下面的极限定理.     

NA序列的一个Hsu-Robbins型定理

NA(Negatively associated)随机变量序列在可靠性理论与多元统计分析中有广泛的应用,讨论其极限性质具有重要意义.定义1 称随机变量X_1,…,X_n是NA的(n≥2),如果对于集合{1,2,…,n}的任何两个不相交的非空子集T_1和T_2,都有     

L统计量的Bootstrap逼近

设X_1,X_2,…,X_n是从分布为F(未知)的总体中抽出的n个i.i.d.样本。记X=(X_1,X_2,…,X_n),R(X,F)为我们所感兴趣的一个与分布F有关的随机变量。我们经常需要考虑与R(X,F)的分布有关的问题,如估计R(X,F)的均值E_FR(X,F),方差     

φ-混合样本的核密度估计的强一致相合性

一、引言设{X_n}是乎稳、φ混合随机变量序列(例如见文献[1]),X_1的未知概率密度为f(x)。对每一n≥1,基于X_1,X_2,…,X_n,定义f(x)的核估计为     

关于相联随机变量序列的不变原理的一点注记

设x_1,…,x_m是有限个随机变量,如果f_1真和f_2是任意两个对于其每一变量都非降的m元函数,且若记(?)_i(?)f_i(x_1,…,x_m)(j=1,2),     

关于U统计量的Berry-Esseen不等式的推广

设{X_n)是独立同分布随机变量序列,共同的分布函数为F(x)。φ(x,y)是二元对称函数,满足Eφ(X_1,X_2)=0。定义U统计量假设g(x)是任意满足下列条件的函数:(ⅰ)非负、偶,在区间x>0中不减;(ⅱ)x/g(x)在区间x>0中也不减。定理1 如果对由(1)式定义的U统计量,     

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     

m值随机变量序列一类极限定理的信息条件

设{X_s,n≥1}是在S={1,2,…,m}中取值的随机变量序列,其联合分布为P(X_1=x_1,…,X_n=x_n)=p(x_1,…x_n)>0,     

非负整值随机变量序列的一类强律

设{X_n,n≥1}是一列在S={0,1,2,…}中取值的随机变量,其分布为f(x_1,…,x_n)=P(X_1=x_1,…,X_n=x_n)>0,x_k∈S,1≤k≤n.(1)易知{X_n,n≥1}独立同分布的充要条件是存在S上的分布(p(0),p(1),…),P(i)>0,i∈S,(2)使得对任意正整数n有f(x_1,…,x_n)=multiply from k=1 to n p(x_k),x_k∈S,1≤k≤n.(3)为了表征{X_n,n≥1}与服从分布(3)的独立随机变量之间的差异,我们引进如下的似然比:     

Pickands型估计的收敛性

一、引言 设X_1,X_2,X_3,……是i、i、d随机变量列,分布函数为F(x),X_(n,1)≤X_((n,2)≤…≤X_(n,n)是样本X_1,X_2,…,X_n的次序统计量。设存在a_n>0,b_n∈R及某r∈R,使得     

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     

关于密度估计的不变原理

设X_1,X_2,…是独立同分布随机变量序列,其共同的分布密度函数为f(x)。它的核估计是指     

关于U-统计量的几个不等式

令{X_i}为一串i.i.d.随机变数序列,φ(X_1,…,X_n)是关于每个变量的对称函数,定义如下U-统计量     

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Riemann曲面长度谱的一个猜想

设s_0是一个给定的紧致Riemann曲面,其亏格为g,g>1,对于任意一个亏格为g的紧致Riemann曲面s及任意一个保向同胚f:s_0→s,称偶(s,f)为一个标记Riemann曲面。两个标记Riemann曲面(s_1,f_1)与(s_2,f_2)被称为等价的,如果存在一个共形映射φ:s_1→s_2同伦于f_2(?)f_1~(-1)。将(s,f)的等价类记为[s,f],全体这种等价类组成了Teichm(?)ller空间T_g.     

用极值理论研究大地震发生的模式——定时段最大地震震级的分布

(一) 若随机变量组{X_k,k=1,2,…,n}是独立同分布的,并且X_1的分布函数F(x)=P{X_1≤x}是已知的,则这n个随机变量的极大值X(?)=max{X_k}也是一个随机变量,并可知其分布函1≤k≤n数即G_n(x)=[F(x)]~n 对随机变量组的极大和极小值的分布以及有关其统计特性的研究,称为极值理论。在概率论与数理统计这一领域中,极值理论是本世纪二十年代以来逐渐发展起来的一个分支。它有着广泛的实用背景,它在理论上的成长与在实际中的应用从其开始就是结伴而行的。1925年L.H.C.Tippett对来自正态母体的样本的极值与其范围的研究被当作这方面工作的开端。1928年R.A.Fisher与Tippett关于样本中最大最小值频率分布的极限形     

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     

一类弱相依序列的不变原理

对于弱相依随机变量序列的极限定理和它们的泛函形式,通常都要求随机变量存在有限的方差.我们对于平稳m-相依序列除去了这一限制,从而将Donsker定理(当然也包括随机变量序列的中心极限定理)推广到平稳、m-相依且没有方差存在这一限制的情形.     

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