关于相关系数的深层讨论

相关系数ρXY是描述二维随机变量(X,Y)之间线性相关关系的一个重要数字特征.当ρXY=0时,表明X和Y之间不存在线性关系,可能存在非线性函数关系等.作者在<概率论与数理统计>教学实践中发现不少学生想当然地认为:当X和Y真正存在非线性函数关系时,相关系数ρXY=0.文章以正态分布、均匀分布为例论证了相关系数ρXY并不总是为零,甚至ρXY≈1的事实,并指出相关系数的大小与X的分布有关.     

K(X,Y)不含有C_0的条件

本文在一定条件下回答了[2]中所提出的问题:K(X.Y)何时不含有与C_0同构的子空间?我们证明了:如果W(X,Y)=K(X,Y),则K(X,Y) C_0 X C_0 且Y C_0。作为推论,我们还有:K(C_0,Y) C_0 Y C_0 及K(X,l_1) C_0 X C_0。     

奇异线性模型中最小二乘估计效率的一个注记

考虑奇异线性模型:Yn×1=Xn×pβp×1+εn×1,E(ε)=0,cov(ε)=∑,设β*=(X＇∑+X)+X＇∑+Y,β=(X＇X)+X＇Y。当∑≥0和rank(X)=p时,定义最小二乘估计β与最佳线性无偏估计β*相对效率为e4(β*/β)=||cov(β*)||／||cov(β)||。当∑≥0和rank(X)＜p时,对可估函数c＇β自然考虑两种估计的方差之比的下界,提出的相对效率为e5(β*/β)=var(c＇β*)／var(c＇β)。在μ(X)(?)μ(∑)条件下,给出了它们的下界。关于相对效率的讨论通常有∑＞0的假定,利用矩阵分析的方法将协方差矩阵∑＞0推广至∑≥0的情形,从而包含了Bloomfield-Watson的结果以及推广了Kantorovich不等式。     

关于曲面的混合插值样条

设π:0=x_0相似文献   

独立Pareto元件构成系统的随机比较

设X1,…,Xn是独立的随机变量,Xi-Pareto（α,iβ）,i=1,2,…,n.令Y1,…,Yn是另一组独立的随机变量,Yi-Pareto（α,iγ）,i=1,2,…,n.假设β〉γ.研究了最小的次序统计量X1：n和Y1：n之间的随机比较.特别,当n=2时,证明了（X（2）｜X（1）=x）关于x随机递增,并且证明了（X（2）｜X（1）=x）≥st（Y（2）｜Y（1）=x）.     

一般方差分量模型中回归系数的线性估计的可容许性

考虑方差分量模型EY=Xβ,COV(Y)=∑mi=1θiVi,其中n×p 矩阵X和非负定矩阵 Vi(i=1,2,…,m)都是已知的,β∈Rp ,θi0或θi＞0(i=1,2,…,m) 均为参数.在本文中,我们在二次损失下,当V＝∑mi=1Vi≥0时,给出了关于可估函数Sβ的线性估计在线性估计类中可容许性的充要条件,从而有效地把文[5]的主要结果推广为最一般情形.     

二维连续型随机变量函数的分布计算技巧

介绍了借助图形计算二维连续型随机变量(X,Y)的函数Z=X Y和Z=X/Y的概率密度f_z(z)的方法和技巧.     

线性模型中误差方差的非齐次二次型可容许估计

对于线性模型Y=(y1,…,yn)′=Xβ ε=X(β1,…,βn)′ (ε1,…,εn)′,其中X为已知的n×p矩阵,ε1,ε2,…εn相互独立,Eεi=0,Eε2i=σ2,Eε3i=0,Eε4i=3σ4,I=1,2,…,n,β∈Rp,0<σ2<∞,均为未知参数,在二次损失函数情况下,本文给出了在非齐次二次型估计类D1={(BY a)′A(BY a:B是m×n矩,Am×m≥0,a∈Rm}中可容许的充要条件,并给出当Y～N(Xβ,σ2V),rk(X)=n,V>0时非齐次二次型估在σ2的一切估计类中是可容许的充分条件.     

随机删失场合半参数回归模型的误差方差估计

考虑半参数回归模型Y=X'β+g(T)+e,其中(X,T)为取值RP×犤0,1犦上的随机向量(p≥1),β为p×1的未知参数向量,g为定义于犤0,1犦上的未知函数,e为随机误差,Ee=0,Ee2=σ2>0,且与(X,T)独立,Y被一个与之独立的随机变量V所截,此时仅能观察到Z=min(Y,V),δ=I(YV).综合最近邻法和最小二乘法,定义了β、g和σ2的估计量,在适当的条件下证明了σ2的估计量的渐进正态性.     

负相依随机变量序列延迟平均的一类极限定理

研究负相依随机变量序列延迟和的一类强大数定理以及强收敛性.利用随机变量截尾方法建立负相依随机变量的概率不等式和矩不等式,在矩条件E(exp{t|X1|})＜∞(p＞1)下,获得了负相依随机变量延迟平均的强大数定理、完全收敛性以及(log n)-p∑n+1[log'n]k=n+1Xk的上、下界,推广了若干经典结果.     

方差分量模型中回归系数的线性估计的可容许性

考虑方差分量模型EY=Xβ,COV(Y)=∑mi=1θiVi,其中n×p 矩阵X和非负定矩阵Vi(i=1,2,...,m)都是已知的,β∈Rp,θi0或θi＞0(i=1,2,...,m) 均为参数.在本文中,我们在二次损失下, 当μ(V1∶V2∶…∶Vm∶X)=Rn时,给出了关于可估函数Sβ的线性估计在线性估计类中可容许性的充要条件.     

污染数据回归分析参数的区间估计

截断数据是生存分析的重要研究内容，而关于污染数据的分析在近几年也越来越受到人们的重视，研究简单回归模型：Xi^(0)=γ βμi εi,i=1,2,…，n其中，Eεi=0,Eεi^2=σ1^2;但X1^(0),X2^（0）,…，Xn^(0)受到另一独立同分布随机变量序列W1，W2，…，Wn的污染，Wi与Xi^(0)独立，仅能观察到污染数据Xi=(1-α）Xi^(0) αWi，i=1,2,…，n，给出回归参数γ，β的区间估计。     

关于方差分量估计量可容许性的一个注记

Consider the following variance component model Y=Xβ+U_1ε_1+…+U_kε_k, (1) where ε_i=(ε_(il), …, ε_(ini))', i=1, …, k, are independent vectors of independent variables such that Eε_(ij)=Eε_(ij)~3=0, Eε_(ij)~4=3(Eε_(ij)~2)~2(?)3σ_i~4≥0, i=1, …, k; i=1, …, n_i, (2)     

矩阵损失下线性模型中回归系数可容许估计

考虑线性模型Y =Xβ +ε ,Eε=0 ,D(ε) =σ2 V ,其中X列满秩 ,V为正定矩阵。在矩阵损失下 ,吴启光得到了回归系数 β的线性估计在非齐次线性估计类中可容许的充分必要条件 ,该定理结论与BaksalaryJK和MarkiewiczA在二次损失下所得结果在表达式上有所不同。为了得到相近的结论 ,对吴启光的结果做了进一步仔细分析 ,得到结果如下 :在矩阵损失下回归系数 β的线性估计AY +g在非齐次线性估计类中可容许当且仅当XAV对称 ,且AX =I时 g =0或AX≠I时 a∈ (0 .1)有τ(AX) (-∞ ,(a - 1) / (a +1) ]∪ [1,+∞ )。自然地 ,对 β的齐次线性估计AY在非齐次估计类中的可容许估计的等价条件为XAV对称且AX =I。这一结果能更清晰地表明在二次损失下 β的可容许估计必是在矩阵损失下的可容许估计 ,并且有助于讨论其它线性模型的相应结论     

统计模型中广义均方误差的区间估计

研究了带约束条件的线性统计模型( )Y =Xβ+eHβ =γe～N(0 ,σ2 V)中可估函数Cβ的估计Cβ∧H 广义均方误差GMSED(Cβ∧H) ,其中σ2 >0 ,V >0且V已知 ,X为n× p阶已知矩阵 ,且满足R(X) R(V) (R(V) )表示由V的列向量张成的线性子空间 ,H为n× p阶矩阵 ,且R(H′) R(X′) .给出了 1-α其置信区间 ,发展了文 [1],[2 ]中的结果 .     

一些集合的基数(Ⅱ)

<正> 在考虑数学中某些基本概念时,我们得到了一些初步的结果: 定理1.设X是无穷集,E(X)={R∶R是X上的等价关系},B(X)={R∶R是X上的二元关系,但不是等价关系},则有|E(X)|=|B(X)|=2~(|X|). 定理2.①设X,Y是集,F_1(X,Y)={f∶fεY~X而且f是映上的},2≤|Y|≤     

函数空间中两种不同方式的嵌入

本文中用I表示单位区间[0，1]，用X表示度量空间，用C(X，I)表示从X到I的所有连续函数的全体，用Cu(X，I)表示C(X，I)被赋予了一致收敛拓扑．设A是X的闭子集，证明了Cu(A，I)可以以两种不同的特殊方式嵌入到Cu(X，I)中，即存在两个不同的同胚嵌入hi：Cu(A，I)→Cu(X，I)(i=1，2)，使得任意f∈Cu(A，I)，h(f)为f在X上的一个连续扩张，进一步，当把I变成(0，1)时，结论仍成立。     

截断情形下污染系数的估计

设X1,X2,…,Xn为一列非负独立同分布的随机变量,其分布为:Fα(x)=(1-α)F1(x) αF2(x),其中α∈[0,1],F1(x),F2(x)都是定义在R 上的分布函数,现Y1,Y2,…,Yn为非负i.i.d～G(t)的截断随机变量列,并且Xi与Yi也相互独立,在仅能观察到:Zi=min(Xi,Yi),δi=I(Xi≤Yi)(i=1,2,…,n)的情况下,给出了污染系数α的估计,并在G(t)已知的情况下证明了其相合性.     

负相依随机变量序列延迟平均的一类极限定理（英文）

研究负相依随机变量序列延迟和的一类强大数定理以及强收敛性。利用随机变量截尾方法建立负相依随机变量的概率不等式和矩不等式,在矩条件E(exp{t|X1|1/p})∞(p1)下,获得了负相依随机变量延迟平均的强大数定理、完全收敛性以及(log n)-p∑k=n+1n+[logpn]Xk的上、下界,推广了若干经典结果。     

一般方差分量模型中参数的联立Bayes估计

1 引言考虑N维随机向量y,它有如下的一般方差分量结构y=Xβ+ε,E(ε)=0,E(εε’)=sub from i=1 to p θ_iV_i=S_1 (1)其中X为已知N×k阵,V_i(i=1、2、…,p)为已知N阶对角矩阵;β∈R~k,θ=(θ_1,…,θ_p)’∈H={θ:sub from i=1 to p θ_iV_i≥0}cR~p为未知参数,H是R~p中有内点的集合。设ε的分量ε_1满足