جستجوی مقالات مرتبط با کلیدواژه « سازگاری قوی » در نشریات گروه « علوم »
تکرار جستجوی کلیدواژه « سازگاری قوی » در نشریات گروه « علوم پایه »-
Kernel density estimators are the basic tools for density estimation in non-parametric statistics. The k-nearest neighbor kernel estimators represent a special form of kernel density estimators, in which the bandwidth is varied depending on the location of the sample points. In this paper, we initially introduce the k-nearest neighbor kernel density estimator in the random left-truncation model, and then prove some of its asymptotic behaviors, such as strong uniform consistency and asymptotic normality. In particular, we show that the proposed estimator has truncation-free variance. Simulations are presented to illustrate the results and show how the estimator behaves for finite samples. Moreover, the proposed estimator is used to estimate the density function of a real data set.
Keywords: Asymptotic normality, Left, truncation, Nearest neighbor, Strong consistency} -
In this paper, we prove the strong uniform consistency and asymptotic normality of the kernel density estimator proposed by Jones [12] for length-biased data.The approach is based on the invariance principle for the empirical processes proved by Horváth [10]. All simulations are drawn for different cases to demonstrate both, consistency and asymptotic normality and the method is illustrated by real automobile brake pads data.Keywords: Asymptotic normality, Length, biased, Strong consistency, Strong Gaussian approximation}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.