2) asymptotic efficiency
渐近有效性
1.
We also discussed some of its asymptotic properties, such as asymptotic consistency, asymptotic efficiency and cost of ignorance, under some certain assumptions.
并讨论了在一定条件下,当d→0,它的渐近相合性、渐近有效性及有界的最优费用差(EN(d)-n(d))等渐近性质。
2.
Some of its asymptotic properties, such as asymptotic consistency, asymptotic efficiency and cost of ignorance under certain conditions, are also discussed.
并讨论了在一定条件下,当d→0时,估计的渐近相合性、渐近有效性及有界的最优费用差(EN(d)?n(d))等渐近性质。
3) effectively asymptotic solutions
有效渐近解
4) asymptotic minimax efficiency
渐近minimax有效
1.
In this paper the MLE of θ,say θ^\-n,from randomly censored data is pr oved to be asymptotic minimax efficiency.
本文证明基于随机删失观察的参数θ的MLEθ^n 是渐近minimax有效的 ,即对某损失函数W (·) ,limδ→ 0 limn→∞ sup｜θ′-θ｜<δE(n)θ′ {w[- 1(n) (θ^n-θ) ]} =Ew(ξ) ,其中 ,L(ξ) =N(0 ,1) ,p(n) =(nI|θ|) - 12 ,I(θ)是删失观察的信息函数。
5) asymptotic risk efficient
渐近风险有效
6) Bahadur efficiency
Bahadur渐近有效估计
1.
Based on some smooth conditions, the Bahadur bound for this distribution family is derived, and a definition of Bahadur efficiency is proposed.
基于一定的光滑性假设，得到了这种双边截断分布族的Bahadur界，并因此给出了该分布族中相合估计为Bahadur渐近有效估计的定义。
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