关于“Morion”猜想的一个逼近形式

澳大利亚数学家Morion曾提出如下猜想:若X_1,……,X_n(n≥1)为i.i.d,分布皆为P(X_i=1)=P(X_i=-1)=1/2,1≤i≤n,又设sum from i=1 to n,则有     

关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

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     

关于具有随机足标的最大值

本文设{ξ_i}与{X_i}是概率空间（Ω,F,P）上的两列随机变量,其中{X_i}是i.i.d具有公共分布函数F（x）.记 M_n==Vξ_i,M_n=VX_i以及[t]表示t的最大整数部分. 在i.i.d.情形,具有随机足标的最大值的极限分布的主要结果如下（参看文献[1],定理6.2.1）: 定理1 设a_n>0,b_n∈R,n≥1,使 P（M_n≤a_nx b_n）→G(x,) n↑∞,（1）其中G是非退化的分布函数。如果一列非负整值随机变量{N_n}满足     

数字滤波的一种递推估计

我们考虑一个方程 X_(i+1)=A_iX_i (1)的二维系统,这里X_i~1,X_i~2为纯量,其观察方程为 z_i=H_iX_i+η_i (3)其中 H_i=[1,0],(4)η_i为测量噪声. 令 J_k(x)=sum from i=-∞ to k((z_i-H_iX_i)~2W_i)。(5)这里 W_i=[1-ε(1-θ)/θ(k-i)]θ~(k-i),(6)0≤ε<1,0<θ<1。现在我们来研究(5)式的极小化问题,它在雷达跟踪问题中是颇感兴趣的。以X_k~*表示(5)式的X的最优估计,即     

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     

单核络合物溶液平衡分光光度法的改进

前文,作者提出了配位体亲核反应(络合竞争反应)求各级单核络合物稳定常数的分光光度法的一般式ΔD/D_2 sum from i=0 to m β_i(A)~i=sum from j=1 to n β_j(L)~j (1) 如将(1)式改为 D_2/ΔD sum from j=1 to n β_j(L)~j=sum from i=0 to m β_i(A)~i (2)则可由无色络合物为指示络合物,测出有色络合物的稳定常数β_i。前文井未涉及此问题。 (2)式中sum from i=0 to m项是分光光度法     

半相依回归方程的一种优于BLUE的估计

一、引言 考虑半相依回归方程Y_i=X_iβ_i+ε_i(i=1,2),其中Y_i是n×1的随机观测向量,X_i是n×p_i阶列满秩矩阵,β_i是p_i×1的未知回归系数,ε_i是n×1的随机误差向量,且满足E(ε_i)=0,cov(ε_i,ε_j)=σ_(ij)I (i,j=1,2),其中σ_(12)≠0,I是n阶单位阵,Σ=(σ_(ij))是2×2阶正定阵。这样的方程可以写为如下线性模型:     

低维有限点集偏差的精确计算公式(Ⅰ)

设d≥1,S_d={u_k(1≤k≤n)}是d维单位立方体G_d=[0,1)~d中的有限点集,那么S_d的偏差定义为D_n=D_n(S_d)=(sup |A(J;n)/n-V(J)|,此处J遍历G_d中全部形如[0,α_1)×…[0,α_d),0<α_i≤1(1≤i≤d)的d维子长方体,V(J)=α_1…α_d是J的体积,     

关于U-统计量列完全收敛的一个不等式

对任意实数a_1,…,a_n,n=1,2,…设 a_n~*=max|a_i|. i≤n {x,x_n:n=1,2,…}为定义于同一完备概率空间(Ω,(P),取值于R的r.v.列。 S_o=O。S_n=sum from i=1 to n X_i, T_n=sum from 1≤i≤j≤n X_iX_j,n=1,2,…周元燊于1991年提出定理A 设{X,X_n:n=1,2,…}     

Bieberbach函数族和Grunsky函数族的另一种充要条件和偏差定理

1.引言 设f(ζ)是单位圆U={ζ|:|ζ|<1}上的正则的单叶函数,f(0)=0,当|ζ_i|<1,i-1,2时f(ζ_1)·f(ζ_2)≠1,记这种函数的全体为B_1,称为Bieberbach函数族。设f(ζ)是单位圆U上的正则的单叶函数,f(0)=0,当|ζ_i|<1,i=1,2时,     

渐近最佳二维光正交码的代数构造

定义1(一个mn,ω, λ_a,λ_c)二维光正交码就是由一组元素为0或1,重量为ω的m×n矩阵组成的集合,并且每个矩阵A=[a (i、j)]的循环自相关函数和任意两个相异矩阵A=[a(i、j)]与B=[b(i、j)]之间的循环互相关函数分别满足:当0≤σ≤m-1,0≤τ≤n-1,(σ,τ)≠(0,0)时,     

一组丢番图不等式

命K为一个次数为2r的全复代数数域。当γ∈K,我们用γ~((i))(1≤i≤2r)表示γ的共轭。命γ_i(1≤i≤2r)为K中的数及x_i(1≤i≤2r)为实数。我们置与。注意ξ可以不属于K及ξ~((i))并非ξ的共轭。我们引用记号     

最大游程的一个概率估计式及其应用

一、前言设η_1,η_2,…为i.i.d,P(η_i=1)=p,P(η_i=0)=1-p,在η_1,…,η_n中连续取的随机变量个数称为η_1,…,η_n中1的游程的长度,游程的长度中之最大者称为其最大游程长度,我们有时也简称最大游程,这些都是熟知的概念。文献[1]中的文献[1]在较特殊的情况下对最大游程问题进行了研究,文献[1]在引理1中得到一个关于最大游程的概率估计式,     

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     

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     

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     

具有给定的混合型光滑模的多元周期函数的表现和逼近

1 预备事项R~d表示d维欧氏空间,X=(X_1,…,X_d),Y=(y_1,…,y_d)∈R~d,其数量积记作〈X,Y〉=sum from j=1to(d)X_jy_jf(X)=f(x_1 ,…,x_d)表示实可测函数,对每一变量均以2π为周期.π_d=[0,2π)~d是d维周期2π的立方体.对q,1≤ q≤∞,记f∈L_q(π_d),倘若||f||_q:={(2π)~-d∫|f(X)|~qdx}~(1/q)<∞,1≤q<∞.||f||_∞:=ess sup|f(X)|<∞,q=∞.记f∈L_q(π_d),倘若f∈L_q(π_d),而且     

煤矿工人尘肺X线诊断专家系统中的模糊推理模型

我们在前文中给出了煤矿工人尘肺X线诊断专家系统(PXDES)的设计思想和实现过程。下面扼要介绍PXDES中的模糊推理模型。在尘肺X线诊断问题中,设患者的尘肺X线表现由n个诊断因子X_i(i=1,2,…,n)表示,每一个诊断因子X_i是由不同程度的l个症状x_(ij)(j=1,2,…,l)组成的集合,即X_i={x_(i1),x_(i2),…,x_(il)}。     

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