相依样本条件t-分位数核估计的强收敛速度

在一定条件下,得到了φ混合样本条件t分位数的核估计强收敛速度,即定理　对同分布的φ混合样本(X1,Y1),…,(Xn,Yn)∈Rd×R1,若 X1具有边际密度函数f; 条件分布函数F(y｜x)在(x,θx(t))的邻域内具有连续的密度函数f(y｜x); ∑nφ(n)<∞; h=(n-12logn)1d 1,0相似文献   

大维AR(1)模型样本协方差阵的极限谱密度

令Xn=(Xjk)1≤j≤p,1≤k≤n,X1,…,Xn是Xn的n个相互独立的列向量,并且Xk=(X1k,X2k,…,Xnk)′服从AR(1)模型,具体给出了当p→∞,n→∞,且p/n→y时,样本协方差阵Sn=1/n∑nk=1XkX′k的极限谱密度.     

PA样本下刻度指数族参数的EB检验

目的 研究PA样本情形下刻度指数族参数的经验Bayes检验问题.方法 对密度函数及其导函数采用核估计的方法构造EB检验函数.结果 在加权线性损失下,给出PA样本情形参数EB检验函数渐近最优性及其收敛速度.结论 在适当条件下,所构造的EB检验函数的收敛速度可与iid样本及NA样本一样,任意地接近D(n-1/2).     

变异系数的抽样分布及假设检验

变异系数是一项可靠性指标,它应用于既有结构的可靠性、医院统计及保险理论等方面,对变异系数进行假设检验具有现实意义。本文取自一般正态总体的子样,并利用样本均值X珔、样本标准差S和变异系数v=σμ的关系构造了一种含变异系数的抽样分布Z=v XS珔～z(v,n-1),同时给出了该分布的密度函数fZ(z)=(n 2-1)n2-1πv22nΓ(n 2-1)∫+∞0 yn-1 e-21[(n-1)y2+(yvz2-/1n)2]dy。本文给出一种对变异系数的小样本假设检验方法,根据该抽样分布及原假设成立的条件下确定检验统计量Z=v0 XS珔,然后利用统计量构造一个使备择假设成立的小概率事件,由此得出拒绝域或拒绝条件。     

NA样本下双边截断型分布族参数的EB估计

目的在NA样本下研究双边截断型分布族参数的经验Bayes(EB)估计。方法对密度函数采用核估计的方法构造了参数的EB估计。结果在加权平方损失函数下,获得了该估计的收敛速度。结论在适当的条件下,NA样本双边截断型分布族参数的EB估计的收敛速度任意接近O(n-1/2)。     

大维随机矩阵的渐进特征

阐述了样本维数与样本量成比例趋于无穷时,大维随机矩阵特征向量子空间的极限特征.指出当随机矩阵列的谱具有谱分离的特征时,其特征向量子空间具有一定的渐进特征.     

一种用于高维大数据的协方差无关的主成分分析迭代算法(英文)

主成分分析是一种大家熟知的用于维数压缩的方法.主方向是协方差矩阵的最大特征值对应的特征向量.协方差矩阵的阶数等于数据的维数.当样本维数很高时,可以用阶数等于样本数的替换矩阵来计算主方向.然而,当样本的维数与样本数都非常大(即高维大数据)的情况下,主方向的计算就变得非常困难.提出了一个协方差无关的迭代主成分分析(CIPCA)算法,用于计算高维大数据情形下的主方向.证明了该算法以指数速度单调收敛到主方向的精确值.并在高维大数据集(图像数据集)上对CIPCA算法的性能进行了验证,实验结果显示使用CIPCA算法主方向的收敛速度非常快.     

二阶离散周期边值问题的正解

考虑如下周期边值问题:-Δ[p(n-1)Δy(n-1)] q(n)y(n)＝f(n,y(n)),n∈[1,N],y(0)＝y(N),p(0)Δy(0)＝p(N)Δy(N).其中｛y(n)｝N 1n＝0是一个期望解.运用锥不动点定理,给出了二阶离散周期边值问题正解的新的存在性定理.     

一类特殊的指数分布族参数的经验Bayes检验:NA样本

在线性损失函数下,对NA样本下一类指数分布族参数θ的经验Bayes单侧检验问题进行了研究.通过构造参数的经验Bayes单侧检验函数,获得了它的渐近最优(a.o)性,在适当条件下得出了所提出的经验Bayes检验函数的收敛速度可以任意接近O(n-1/2).     

Linex损失下Pareto分布参数的EB估计：PA样本情形

在Linex损失下,讨论了Pareto分布参数的经验Bayes（EB）估计.利用同分布PA样本下概率密度函数的核估计构造了参数的经验Bayes估计,建立了所提出经验Bayes估计的收敛速度.在一定的条件下该收敛速度可以任意接近于1.     

实正交矩阵的子矩阵的幂的迹的渐进分布

设随机矩阵U属于n阶实正交群O(n),O(n)的分布是单位Haar分布,[U]m表示U的m阶顺序主子矩阵,记Q=n/m～(1/n/m)[U]m.文献(Diaconis P,Shahshahani M.J Appl Probab,1994,A31:49-62.)通过计算TrUj的联合矩得出对固定的整数k,当n充分大时(TrU,TrU2,…,TrUk)渐进于正态分布.利用Jack函数和对称群的特征标的恒等式,推广这一结论到U的子矩阵情形,即证明了随机向量(TrQ,TrQ2,…,TrQk)当m→+∞时依分布收敛于正态分布.对特殊实正交矩阵群SO(n)也有类似的结论.     

关于Weibull分布顺序统计量的分布性质

设{Xk,1≤k≤n}独立同分布,X(1)≤X(2)≤…≤X(n)为其顺序统计量,当X(k)服从参数为m和η的韦布尔分布时,得到了其顺序统计量的联合概率密度函数和极端顺序统计量的密度函数,进一步得到X(1)和X(n)数学期望与方差的表达式。此外还证明了当参数m≠1时,X(1),X(2)-X(1),…,X(n)-X(n-1)不独立且不同分布;当参数m=1时,X(1),X(2)-X(1),…,X(n)-X(n-1)独立但不同分布。     

Cartesian积图的最大拉普拉斯特征值

设G=(V(G)),E(G)),H=(V(H),E(H))是两个简单的连通图,定义与的Cartesian积G×H图是:其顶点集为V(G×H)=V(G)×V(H),其中任何两个顶点(u,u’),(v,v’),相邻当且仅当u=v且u’,v’在H中相邻;或u’=v’且u,v在G中相邻,这里u,v∈V(G),u’,v’∈V(H).本文研究两个图的Cartesian图的拉普拉斯矩阵的最大特征值,得到如下结论:设简单图G具有n顶点m条边,图H具有P个顶点q条边,那么G和H的Cartesian积图G×H的拉普拉斯最大特征值p(L(G×H))≤2m/n[1+(n-1)(((n3/4m2)-(1/n-1))～(1/2))]+((2p-1)～(1/2))+1.     

高维协方差阵的两样本检验的一些证明

假定样本总体的维数为p,样本容量为n,当pn时,单个及多个p元正态总体的协方差阵的检验问题已经解决,但是当p比n大很多时,我们发现已有的解决方法失效,参见文献[3-4].文献[1]提出了一般条件下两样本协方差阵检验的检验统计量,本文将为这个统计量的渐近正态性的相关结论给出证明.     

两类特殊S0-模糊传递矩阵的收敛性

定义了两类特殊的S0-模糊传递矩阵,讨论它们的收敛性.首先定义了Sz-模糊传递矩阵,证明了对任意n阶Sz-模糊传递矩阵A有An=A2n=A3n=….其次定义了Z0-模糊传递矩阵,证明了对任意n阶Z0-模糊传递矩阵A,A(n-1)2+1中元素全是非零元,并给出A(n-1)2+1=A(n-1)2+2=…成立的充分条件以及振荡周期PA=n-1的充分条件.     

二元外代数对应的线性矩阵问题

设((￡)(M))是对应于二元外代数A=k/(x2,xy+ yx,y2)的线性矩阵问题,利用Belitskii算法得到(M)(n)中的(n)×(n)不可分解矩阵在(￡)(n)-相似变换下的典范形的具体形式.     

由鞅差序列生成的线性过程的Baum-Katz大数定律的精确渐近性

主要讨论了线性过程Xt=∑∞j=0ajεt-j,其中{εt,Ft;t∈Ζ}是均值为零,方差有限的平稳鞅差序列,aj,j∈Ζ是绝对可和的实数序列.令Sn=∑nt=1Xt,n≥1,在适当矩的条件下,利用部分和Sn的收敛性,对于1≤p2,若supj≥1Eεjδ＆lt;∞,证明了∑∞n=1nr/p-2P｜Sn｜≥εn1p,∑∞n=1n-1/P｜Sn｜≥εn1/p当ε→0时的精确渐进性.在鞅差序列的前提下,进一步推广了线性过程的Baum-Katz大数律的精确渐近性性质.     

关于n-morphic环的一些研究

文章介绍了一类特殊的π-morphic环n-morphic环,即任意n-morphic环都是π-morphic环,但反之则不然.除讨论一些相关的性质外,还得到以下结果：1）在R的隅角环中,左n-morphic元的一些性质;2）构造了一些是n-morphic环但非（n-1）-morphic环的例子;3）考虑了上三角矩阵环的n-morphic性质,指出由Z2所形成的n阶上三角矩阵环不是m-morphic的,其中m〈n且m,n∈Z＋．     

求高阶常系数非齐次线性微分方程的特解公式

通过分析,研究可以证明得到n阶常系数非齐次线性微分方程y（n）＋p1y（n-1）＋p2y（n-2）＋…＋pny=Pm（x）eλx的特解公式,特解公式与特征方程紧密相连,能达到简化其特解的求解过程.     

高维样本协方差矩阵极限谱密度的显式表达式

用Stieltjes变换给出一般高维样本协方差矩阵的极限密度函数的显示表达式, 包括: 样本元素独立且均值为0, 方差为常数的样本协方差矩阵; 一个样本协方差矩阵与单位阵的和; 样本元素方差不等但只取两值的样本协方差矩阵; 两个不同的样本协方差矩阵之和.