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     

回归函数递归核估计相合的充要条件

设(X_1,Y_1),(X_2,Y_2),……为(X,Y)的样本,(X,Y)在R~d×R中取值,μ为X的概率分布,m(x)=E(Y|X=x)的核估计,递归核估计分别为     

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     

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     

全局渐近稳定性的Jacobi猜想的证明

设f∈C~1(R~2,R~2),f(o)=0.考虑平面微分方程x=f(x) (1)很久以来人们猜测:如果(?)x∈R~2,f的Jacobi矩阵Df(x)的特征值都具有负实部,则微分方程(1)的零解全局渐近稳定.在文献中,此猜想被称为Jacobi猜想或平面Markus-Yamabe猜想.1963年,Olech证明此猜想等价于f的全局单射性.1988年,Meisters和Olech证明,当f是多项式映射时,Jacobi猜想成立.1991年Gassull,Llibre和Sotomayor证明,当f是Khovansky函数(一类解析函数)时,Jacobi猜想成立.本文对一般情况证明了Jacobi猜想成立.1 预备知识设S~k(R~2,R~2)={f∈C~k(R~2,R~2)|(?)_x∈R~2,Df(x)是稳定矩阵},k=1,2,…, ∞ .设f∈S~∞(R~2,R~2),则(?)_x∈R~2,Lyapunov矩阵方程Df(x)G(x)十G(x)(Df(x))~T=-I_2 (2)有唯一正定解G(x),其中I_2为2×2单位阵.显然G∈C~∞(R~2,R~(2×2)).定义微分方程(?)y=G(y)ν,ν∈R~2, (3)y(0)=x,     

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     

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|     

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     

Poisson积分作为算子半群

考虑与半空间R_ ~(n 1)={(x,t);x∈R~n,t>0)关联的Puisson积分:P_1*f=∫_(R~n)P_t(x-ξ)f(ξ)dξ(t>0),这里Poisson核(?),c_n=1/ω_n,ω_n是R~(n 1)中单位球面面积,|x|~2=X_1~2     

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     

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,     

密度估计的一些结果

设X_1,…,X_n为从具密度f的一维总体中抽出的iid.样本。为估计f,传统的方法是适当选择一串常数C_n↓O,以K_n记X_1,…,X_n落在[X—C-n,x+C_n)中的个数,用(?)(x)=Kn/2nc_n估计f(x)。1965年,Loftsgarden等提出另一     

周期系数Riccati方程之周期解

考虑周期系数Riccati方程 dy/dx=A(x)y~2+B(x)y+c(x),(1)其中,A(x)、B(x)、C(x)是以2π为周期的周期函数。 设特征方程 F(y,x)=A(x)y~2+B(x)y+C(x)     

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).     

一个数值微分公式的余项

微分插值公式f(x)=H_n(x)+R_n(x) (1)导出数值微分公式f(k)(x)=H_n~(k)(x)+R_n~(k)(x) (o≤k≤n),(2)这里H_n(x)为函数f(x)的n次插值多项式。设其节点为a_0,a_1,…a_n,则(1)式的余项可     

有限总体U统计量正态逼近的非一致界限

设一有限总体A_N有N个元素,其指标值为a_(N1),…,a_(NN),从中无放回地抽取大小为n的随机样本X_1,…,X_n,设φ(x,y)=φ_N(x,y)为关于x、y对称的二元Borel可测函数,称     

定义在■集类上的几种极大算子的Lip有界性

一、定义设对(?)∈R~n,对应着一个可测集类(?)(x),在此不要求B∈(?)(x)(?)x∈B。令(?)=(?)。设m:(?)→R~1是定义在上的一个集函数,我们可以定义相对于m的极大函数M:R~n→R~*=R~1U{ ∞}:M(x)=(?)m(B)。我们进一步特殊化,定义下述的概念:     

最近邻密度估计的一致收敛速度

设总体有分布F,密度f,而X_1,…X_n,…为抽自该总体的独立随机样本,为估计f,Loftsgarden和Quesenberry(AMS,1965,p.1049)提出了如下的方法:选自然数K_n≤n,找最小的α_n(x),使[x-α_n(x),x α_n(x))这个区间包含样本X_1,…,X_n中的至少