1) asymptotic global optimality
渐近全局最优性
2) asymptotic optimality
渐近最优性
1.
Also,a simulation experiment is conducted to demonstrate the asymptotic optimality of the Bayes EB estimator.
我们采用贝叶斯经验贝叶斯方法估计了一个特殊的指数分布族中的刻度参数,证明了刻度参数的贝叶斯经验贝叶斯估计几乎处处收敛到它的贝叶斯估计且获得了它的渐近最优性。
2.
The Bahadur representation of the estimator are given and the asymptotic optimality for L2- cross-validated nearest neighbor median estimator are established under the mild conditions.
在一定的正则性条件下得到了L2-cross-validation最近邻中位数估计的渐近最优性。
3.
There have been a lot of researches about the asymptotic optimality theory,but all of them are based on the Biihlmann-Straub model and quadratic loss function;In this paper, the author will discuss the linear empirical Bayes premiumunder quadratic loss function, balance loss function, entropy~1 loss function and entropy~2 loss function in a general Biihlmann-Straub model.
传统的关于线性经验贝叶斯保费的渐近最优性研究都是在B(u|¨)hlmann-Sraub模型及平方损失函数下讨论的，然而在某些情况下广义B(u|¨)hlmann-Straub模型和非对称损失函数能更好的刻画衡量风险。
4) global asymptotic behavior
全局渐近性
1.
In this paper,we study the global asymptotic behavior of the solutionsof impulsive differential equations.
本文研究一般脉冲微分方程解的全局渐近性态。
5) global asymptoticy
全局渐近性
1.
The global asymptoticy and Hopf bifurcation in a hematopoiesis model with delay;
一类造血模型的全局渐近性及Hopf分支周期解
6) best asymptotically normal
最优渐近正态性
补充资料：渐近等分性
随机变量长序列的一种重要特性，是编码定理的理论基础，简称AEP。当随机变量的序列足够长时,其中一部分序列就显现出一种典型的性质：这些序列中各个符号的出现频数非常接近于各自的出现概率，而这些序列的概率则趋近于相等，且它们的和非常接近于1,这些序列就称为典型序列。其余的非典型序列的出现概率之和接近于零。序列的长度越长，典型序列的总概率越接近于1,它的各个序列的出现概率越趋于相等。渐近等分性即因此得名。
C.E.仙农最早发现随机变量长序列的渐近等分性，并在1948年发表的论文《通信的数学理论》中把它表述为一个定理。后来，B.麦克米伦在1953年发表的《信息论的基本定理》一文中严格地证明了这一结果,因此,有人也把它称为麦克米伦定理。
渐近等分性有许多不同的具体形式，但一般地可以表述如下：若X是一个符号表，共有M个不同的符号x1,x2，...,xM ,它们的出现概率分别是p1，p2，...，pM 。对X进行N次独立的选择,于是得到一个长度为N的符号序列;总共有MN个长度为N的不同序列。可以证明,对于给定的两个任意小的数ε＞0和δ＞0，一定可以找到一个正整数N0(它是X,ε和δ的某种函数)，使所有长度为N≥N0的序列可划分为以下两组。第一组包含Aε＜MN个序列，其中各个序列都具有几乎相等的出现概率p，且有
1－ε＜p·Aε＜1
和
式中H是X的符号熵。实际上,当N充分大时,Aε=2NH。第二组包含其余的MN-Aε个序列，它们的出现概率之和小于ε。显然第一组包含的是典型序列,第二组包含的是非典型序列。在各个符号的概率不相等的情况下，序列长度N越大,则Aε与MN的差别越大,而p·Aε与1的差别越小，-logp/N与H的差别也越小。
渐近等分性的意义在于：对于任意取有限个值的随机变量X,当用N次独立选择的方法来形成编码序列时,只要N 取得足够大，就可以只考虑其中Aε个典型序列，而其余所有的非典型序列均可以忽略。
C.E.仙农最早发现随机变量长序列的渐近等分性，并在1948年发表的论文《通信的数学理论》中把它表述为一个定理。后来，B.麦克米伦在1953年发表的《信息论的基本定理》一文中严格地证明了这一结果,因此,有人也把它称为麦克米伦定理。
渐近等分性有许多不同的具体形式，但一般地可以表述如下：若X是一个符号表，共有M个不同的符号x1,x2，...,xM ,它们的出现概率分别是p1，p2，...，pM 。对X进行N次独立的选择,于是得到一个长度为N的符号序列;总共有MN个长度为N的不同序列。可以证明,对于给定的两个任意小的数ε＞0和δ＞0，一定可以找到一个正整数N0(它是X,ε和δ的某种函数)，使所有长度为N≥N0的序列可划分为以下两组。第一组包含Aε＜MN个序列，其中各个序列都具有几乎相等的出现概率p，且有
1－ε＜p·Aε＜1
和
式中H是X的符号熵。实际上,当N充分大时,Aε=2NH。第二组包含其余的MN-Aε个序列，它们的出现概率之和小于ε。显然第一组包含的是典型序列,第二组包含的是非典型序列。在各个符号的概率不相等的情况下，序列长度N越大,则Aε与MN的差别越大,而p·Aε与1的差别越小，-logp/N与H的差别也越小。
渐近等分性的意义在于：对于任意取有限个值的随机变量X,当用N次独立选择的方法来形成编码序列时,只要N 取得足够大，就可以只考虑其中Aε个典型序列，而其余所有的非典型序列均可以忽略。
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