1) right endpoint estimator
上尾端点估计量
1.
As the extreme value index γ<0,the authors give the right endpoint estimators of a distribution function F(x),prove the weak and strong consistency,obtain the strong convergence rate and derive the asymptotic normality.
给出了当极值指标小于0时,分布函数F(x)的上尾端点估计量,并证明了该估计量的强相合性和弱相合性,给出了其强收敛速度,证明了渐近正态性,进而获得了分布函数F(x)的上尾端点的渐近置信区间。
3) endpoint estimator
尾端点估计
1.
In this paper,the authors give the endpoint estimators of a distribution func- tion F(x)as the extreme value index (?)<0.
当极值指标小于0时,本文给出了分布函数F(x)的尾端点估计量,证明了该估计量的强相合性和弱相合性;在二阶正规变化条件下,通过限制正规变化函数的收敛速度,给出了强收敛速度,证明了渐近正态性,进而可以构造F(x)的尾端点的渐近置信区间。
4) random sequence with two subscript
大分位数和尾端点估计
5) endpoint estimates
端点估计
1.
For the commutators of Multilinear Marcinkiewicz integral μΩ,A(f)(x),the endpoint estimates are obtained when function b(x)∈BMO,Ω satisfies the Dini type conditions.
得到了当函数b(x)∈BMO,Ω满足Dini型条件时多线性Marcinkiewicz积分交换子μΩ,A(f)(x)的端点估计。
6) weak type endpoint estimate
弱端点估计
补充资料：Bayes估计量
Bayes估计量
Bayesian estimator
Bayes估计量【Bayesi助始廿ma.件;D自狱.。眨..界..] 用BayeS方法(Bayesian aPProach)由观察值对一未知参数所作的估计.统计问题使用这样的方法时，一般都假定未知参数所0 gR“是一具有给定先验分布7r=武do)的随机变量，决策空间D与集合0重合.且损失L(0，d)表示变量0与估计d的偏离.因此，函数L勿，d)通常假定为有形式L勿，d)=a(e)又(口一d)，其中又是误差向量0一d的某个非负函数，若k二1，则常取又勿一d)={0一d}“(“>0).最有用且在数学上最方便的是平方损失函数L(口，d)=}‘一d1’.对这一损失函数，Bayes估计量(Ba卿决策函教(Bavesian dedsion function))占’二亡厂(x)定义为使最小总损失 !;‘p‘二·“，一，‘薯必，“一”‘·’2’〕口‘么，叮‘““，达到的函数，或与之等价，了是使最小条件损失 ，母‘E{[口一占(x)]2+“)达到的函数，由此推出，在平方损失函数的场合，B竹es估计量与后验均值占‘(x)=E勿{x)相等，而Bayesj双险(Bayes risk)为 。‘二，占‘)二E!D矿夕}x)]‘此处O(0}劝是后验分布的方差: o(口{x)二任{{口一E(0{x)12!，、}. 例设二=(x，，，二，戈)，这里x，，，二，x。为具正态分布N勿，。’)的独立同分布变量，护己知，而未知参数0有正态分布N扭，铲).因为当x给定时口的后验分布为正态N(拜。，T:一、其中 n又。2一十“下一2 灿。二一—，，。一二n口‘一奋了一_ n口一汁~下且万=(x，十一+凡)/。，可知在平方损失函数{分一引’之下，Bayes估计量为占’(x)=线，而Bayes风险则为《二犷六伽铲十护).AH川畔即撰[补注]
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条