广义U过程的Bootstrap逼近

Nolan和Pollardl得到了U过程的中心极限定理,本文使用Efron的Bootstrap方法,得到了广义U过程的Bootstrap逼近.假设{X_(i,j):1≤j≤n_i,1≤i≤K}是概率空间(Ω,(?),p)上的d维独立随机向量序列,满足:X_(il,… ,x_(in)_i.i.d.～P_i,假定P(in)_i是X_(il),X(in)_i对应的经验概率测度,1≤i≤k.取整数m_i≥1和l_i,     

关于广义U、统计量的Jackknife与Bootstrap

设{X_j}_(j=1)~(n_1)、{Y_k)_(k=1)~(n_2) 分别为来自总体F_1与F_2的独立样本,{X_j}与{Y_k}相互独立。且设φ(x_1, …, x_(m_1); y_1,…, y_(m_2))为分别关于各x变元和各y变元对称的Borel可测函数。关于θ=Eφ的无偏估计可取以为核的广义U统计量     

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     

参数未知的PP Neyman拟合优度检验及其Bootstrap逼近

Neyman在1937年提出了一种拟合优度检验,它计算简单,使用方便,是一种常用的统计方法.Li和Zha利用PP(Projection pursuit的简称)技巧把它推广到多维,构造了PPNeyman拟合优度检验.Friedman提出了一种探索性PP方法,所用的统计量实际是检验多元正态性的PP Neyman统计量.数值结果表明,该探索性PP不仅能有效地揭示多维非线性结构,而且与原有的方法,例如Friedman和Tukey相比,计算量小得多.因此,从理论上讨     

PERT中时间统计量的分布

设a、b、c 分别是对一项任务完成时间t的最乐观、最保守、最可能的估计.按照美国一些PERT文献的看法,这时随机变量t 服从区间[a,b]上的β分布,即概率密度为β(x)=(b-a)~(-p-q-1)B(p+1,q+1)~(-1)(x-a)~p(b-x)~q,其中B(m,n)=Γ(m)Γ(n)/Γ(m+n),p>0,q>0,p(b-c)=q(c-a).为什么?文[1]认为是不清楚的,“希望数学工作者能够进行些理论上的探讨”,以给出解释.     

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     

有限总体U统计量的Berry-Esseen界限

设一有限总体(?)N有N个元素,其指标值为a_(N1),…,a_(NN),从其中无放回地抽取大小为N_N的随机样本X(1),…,X(n_N),设φ(x,y)为二元对称Borel可测函数,则U(N)=(?)∑_1≤i相似文献   

关于U-统计量的Marcinkiewicz大数律

设x_1,…,x_n…为一串i.i.d.随机变量序列,m≥1固定,h(a_1,…,a_m)为其m个变元的对称函数,以h(a_1,…,a_m)为核的U-统计量定义为假定: E|h(x_1,…,x_m)|~r<∞,0相似文献   

关于U-统计量理论的一些结果

设x_1,x_2,…为一串独立同分布(iid)变量,而φ(x_1,…,x_m)为x_1,…,x_m的对称函数,则U_n=(n/m)~(-1) sum from to 1≤α_1<…<α_m≤nφ(x_(α_1),…,x_(α_m),n≥m称为以φ为核的U-统计量。设对某个r≥1有E[|φ(x_1,…,x_m)|~r]<∞.(1)迄今为止,文献中对U-统计量的研究,多限于r=1和r=2的情况,最近我们研究了一般的r≥1的情况,主要结果如下:     

散布阵检验统计量的P-值

设X_1 ,X_2,…,X_niidX～EC_p(μ,Σ),即椭球等高分布:X-μR·Σ1/2U,U为S~(p-1)={a|a∈R~p,‖a‖=1}上的均匀分布,R≥0为已知的非退化r.v.μ∈R~p,Σ_(p×p)>0为未知,我们考虑假设检验问题:H_0Σ=Σ_0>0,K:Σ_0通常在正态假设下,其检验统计量一般用Wishart统计量,Wilks统计量及MLR统计量,而在椭球等高分布下,这些统计量的分布很难求出,只能借助于大样本理论或模拟计算,见文献[1,2],这也同样会遭遇维数灾祸的困难.为此我们利用投影寻踪(pp)方法和1维中检验方差的方法构造Σ的检验统计量如下:     

用满足Micchelli条件的Kantorovi■型算子的L逼近性质

设T是C[0,1]■AC[0,1]的线性算子,对g(u)∈C[0,1]有:T(g(u),0)=0,T(g(u),1)=g(1),f(t)∈L[0,1],F(u)=integral from 0 to n (f(t)dt),A(f(t),称A为Kantorovi(?)型算子,记为A∈(?),它是Kantorovi(?)多项式P_n(f)的推广。B_n~([k])(F)和和P_n~([k](f)分别是Bernstein多项式B_n(F)     

m相依样本均值的Bootstrap估计

1979年著名统计学家Efron提出Bootstrap法用于估计随机变量的概率分布。如所周知,当样本为i.i.d.时,Bootstrap适用于(?)_n,但若样本不独立,Singh指出,即使{X_i,i=1,2,…)为平稳m相依,Bootstrap估计可能不相合。因此,如何建立非独立场合的Bootstrap法在理论上与应用中具有重要的意义。本文目的在于利用基于刀切虚拟值的Bootstrap法以解决m相依样本均值Bootstrap逼近的相合性。     

PP Kolmogorov-Smirnov统计量的分布尾部的大样本下界

设X_1,X_2,…为概率空间(Q,P)上的一列取值于R~p(p≥1)的独立同分布于P的随机向量。由投影寻踪(Projection Pursuit,简称PP)方法可构造PP Kolmogorov-Smirnov统计量如下:     

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,     

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,…}     

农业气象因子最佳时段的统计逼近及其在测报模型中应用

通过相关分析来确定变量间相关程度建立起适用的预报模式是统计预报中常用方法之一。以往农业测报模式大多采用某月或某旬的气象因子。显然,这些因子所组成的统计预报模式往往受到经验所致的局限性。影响着模式适用范围及预报精度。近年来作者对水稻抽穗期、大麦成熟期、玉米螟发生期和发生量的相关分析证实了气象因子对农作物生长、成熟、病虫害发生、发展、作物产量上的影响是不同的,也即气象因子影响,有其关键时段,而且这些时段绝不     

末日逼近

<正>如今,世界上的物种正以违反常理的速度持续减少,而人类也不断给地球带来破坏性的影响。不少科学家发出严正警告:从生命进化史的角度来看,当今世界上的物种正在以前所未有的速度灭绝,或许我们正在经历第六次生物大灭绝!地球上曾发生过五次物种     

关于折线函数逼近在单调逼近中的一个应用

用折线磨光的方法给出单调逼近定理的一个新证明。