QUANTILE ESTIMATION WITH AUXILIARY INFORMATION UNDER POSITIVELY ASSOCIATED SAMPLES

The empirical likelihood is used to propose a new class of quantile estimators in the presence of some auxiliary information under positively associated samples. It is shown that the proposed quantile estimators are asymptotically normally distributed with smaller asymptotic variances than those of the usual quantile estimators.

NA、PA样本下密度核估计的相合性

设 { Xn,n 1}为同分布的 NA或 PA随机变量序列 ,f (x)为 X1 概率密度函数 ,基于样本 X1 ,X2 ,… ,Xn,本文对密度函数 f (x)的核估计进行了讨论 ,在适当条件下证明了其强相合和 r阶矩相合 .

PA样本非参数回归权函数估计的强相合性

在 PA样本下 ,讨论非参数回归模型中权函数估计的强相合性及强一致相合性 .

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.

PA样本下单边截断型分布族位置参数函数的经验Bayes估计

对单边截断型分布族在同分布正相协(PA)样本下,构造了位置参数函数的经验Bayes(E.B)估计,由分析可知,在适当的条件下,证明了位置参数θ的函数的经验Bayes(E.B)估计的收敛速度为O(n-q),其中,q=λα(δ-2)/(2α+4)δ;α>0;0<λ<δ/(1+δ);δ>2。

负、正相协随机变量列的更新定理

基本更新定理告诉我们 :若 {Xi:i≥ 1}为正值独立同分布随机变量列 ,随机变量Nt=inf :n :t<∑nk=1Xk ,那么有 ENtt → 1EX1,t→∞ .我们注意到这里独立性是一个很强的条件 ,在本文中我们将用更广泛的负、正相关性来代替独立性这个条件 。

正相协样本分位数估计的Bahadur表示

作为一类常见的随机变量序列,正相协随机变量序列在可靠性理论和多元统计分析中有着广泛应用.本文的主要目的是研究一类严平稳正相协随机样本分位数的估计问题.首先,利用正相协随机序列的性质,我们获得了一个有关正相协随机变量的协方差不等式.然后,利用正相协序列的指数不等式获得了一个有关经验分布函数的不等式.最后,我们利用所得不等式,在适当的条件下,进一步讨论了样本分位数估计的强相合性,并给出了其Bahadur表示及其收敛速度.

一般负、正相协随机变量的Wald不等式及更新定理

用更广泛的负、正相协性代替了独立性的条件,获得了一般随机变量的Wald不等式及基本更新定理.

基于OpenMP的Gibbs抽样正负关联规则算法研究

大数据集中挖掘正负关联规则是关联规则挖掘的重要研究内容。负关联规则挖掘存在挖掘关联规则数量多、难度大等问题,因此针对大数据集中挖掘正负关联规则提出一种基于OpenMP的Gibbs抽样正负关联规则挖掘算法。该算法通过Gibbs抽样从原始数据集中挖掘得到重要的关联规则,并在Gibbs抽样的转移概率计算部分利用OpenMP并行技术进行加速。在只挖掘重要正负关联规则的同时,缩短挖掘时间,有效提高正负关联规则挖掘的效率。在UCI蘑菇数据集中使用该算法,实验结果显示该算法在大数据集中具有较好的表现。

PA样本下非参回归函数的经验似然置信区间

在PA样本下采用分块方法构造非参数回归函数的经验似然比统计量,并在一定的正则条件下证明了统计量渐近服从卡方分布,由此构造了非参回归函数的经验似然置信区间.