共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
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 相似文献
3.
回归函数之改良近邻估计的强相合性 总被引:1,自引:0,他引:1
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 相似文献
4.
最近邻密度估计的一致收敛速度 总被引:1,自引:0,他引:1
一、引言和主要结果设X_1,…,X_n取自具有分布F和密度f的总体。为估计f,Loftsgarden和Quesenberry提出了最近邻方法。即指定自然数k=k_n≤n,对固定的x,找最小的a_n(x),使区间[x— 相似文献
5.
设X_1,…,X_n是取自具有密度函数f的m维总体的iid样本。f属于某个密度函数族。我们考虑的问题是用形如γ_n(x_1…x_n,x)(以下简记为γ_n(x))的估计量来估计f(x)。在具有相合性的情况下,种种意义的可能的最佳收敛速度问题。 相似文献
6.
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 相似文献
7.
Pickands型估计的收敛性 总被引:2,自引:0,他引:2
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 相似文献
8.
设X_n={x_(kn):1≤k≤n}(?)[-1,1]满足:-1相似文献
9.
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, 相似文献
10.
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 相似文献
11.
非负整值随机变量序列的一类强律 总被引:4,自引:0,他引:4
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: 相似文献
12.
设X_1,…,X_n是iid.样本,抽自截断型分布:■(1)其中f是一未知的[θ_1,θ_2]上的密度函数。为估计线性参数函数g(θ)=c_1θ_1+c_2θ_2,令 相似文献
13.
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 相似文献
14.
对于n元布尔函数f:{0,1}~n→{0,1},如果对于任意X_1,X_2∈{0,1}”,当X_1≤X_2时有f(X_1)≤f(X_2),称f(X)为单调上升函数,当X_1≤X_2时有f(X_2)≤f(X_1),称f(X)为单调下 相似文献
15.
16.
17.
一般核下最近邻估计的一致收敛速度 总被引:1,自引:0,他引:1
§1.引言及主要结果 设X_1,…,X_n是来自某个具有分布F和密度f的一维总体的iid样本。为估计f,Loftsgarden和Quesenberry提出了如下方法:选定一个与n有关的自然数走k_n找最小的 相似文献
18.
在文献[1]中我们定义了多项式理想的极小特征基并研究了其性质。本文将这一概念推广至微分多项式理想。 1。极小特征基的定义 考虑一个特征为零的基本数域K及一组变元X_1,…,X_n。K{X_1,…,X_n)为系数在K中X_1,…,X_n的微分多项式集。我们用X_i,j表示X_i的j次微分。有关微分代数的一些概念如:初式、升列、基列等读者可参考文献[2,3]。在变量间 相似文献
19.
设(X_1,θ_1),…,(X_n,θ_n)是由总体(X,θ)中抽取的iid样本,通常称为训练样本,其中(X,θ)是取值于R~d×{1,…,S)的随机向量。又设ρ是R~d中与欧氏距离等价的一个距离函数。对于X=x,我们可以按照ρ(X_j,x)的递增次序把(X_j,θ_j),j=1,2,…,n,重新排列(当“结”出现时,用比较下标方式消除之),我们便得到一个随机向量(R_1,…,R_n),其中X_(R_i)(x),对所有i,是x的第i个近邻。于是我们可取θ_(R_1)(x)作为目的对于X=x的NN判别。一般言 相似文献
20.
光滑经验分布函数的下极限重对数律 总被引:1,自引:0,他引:1
设X_1,…,X_n是一列独立同分布的随机变量,其分布函数F具有密度函数f.当F是连续或绝对连续时,对于F的估计,有理由考虑光滑估计F_n而不是传统的经验分布函数估计.F_n.对于f,Rosenblatt提出了一类核型估计: 相似文献