Введение пространства L2,w при построении проекционной оценки плотности вероятности

Бесплатный доступ

В статье рассмотрена задача восстановления функции плотности вероятности непрерывной случайной величины из конечного независимого образца. Автор исследует построение проективной оценки функции плотности вероятности в случае, когда плотность вероятности f (x) не квадратично интегрируема, i. е. функция f (x) находится вне функционального гильбертова пространства L 2. В этом случае условие сходимости оценки плотности к истинной плотности не выполняется даже с использованием оптимальных коэффициентов. Функции плотности вероятности, находящиеся вне пространства L 2, встречаются даже в модельных распределениях, например, в распределении хи-квадрат с числом свобод k = 1. Для решения этой задачи вводится функциональное пространство L 2, w, которое расширение пространства L 2. Свойства введенного пространства исследованы в работе. Один показывает, что для любой положительной измеримой по Лебегу функции w (x) она также является гильбертом. Более того, различимость элементов остается верной при расширении от L 2 до L 2, w. Утверждение о том, что функция плотности вероятности любой непрерывной случайной величины принадлежит некоторому пространству L 2, w, доказано. Кроме того, определение разделимости вводимого пространства оказывается важным, поскольку только в этом случае последовательность проективных оценок сходится к истинной плотности. Автор доказал, что любое пространство L 2, w kind, которое содержит L 2, является сепарабельным, поэтому в этом пространстве можно построить проективное оценивание функции плотности вероятности. Полученные теоретические результаты были испытаны на серии численных экспериментов. Результаты включены в документ. В этой статье представлены результаты, которые касаются оценки функции плотности вероятности распределенной случайной величины хи-квадрата, а также переменной, имеющей плотность вероятности, которая находится вне L 2 и содержит две точки, где она сходится к + ¥. Результаты позволяют сделать вывод о том, что предложенный метод можно использовать при оценке плотности вероятности, даже в тех случаях, когда эта плотность находится вне L 2.

Еще

Функция плотности вероятности, проекционная оценка, гильбертово пространство, сепарабельность, статистическое оценивание

Короткий адрес: https://sciup.org/148177853

IDR: 148177853

Текст научной статьи Введение пространства L2,w при построении проекционной оценки плотности вероятности

Введение. Для решения задач классификации, распознавания, диагностики технических систем и др., возникающих в том числе в аэрокосмической отрасли, большое значение имеет качество восстановления неизвестной функции плотности вероятности непрерывных случайных величин. Зачастую закон распределения исследуемых случайных величин имеет сложную структуру: плотность вероятности разрывна, многоэкстремальна и т. д. В таких условиях часто применяются непараметрические методы оценивания функции плотности вероятности, основанные на оценках М. Розенблатта и Э. Парзена [1-3]. Также большое распространение получила проекционная оценка, предложенная Н. Н. Ченцовым [4]. Предполагается, что оцениваемая функция плотности вероятности fx) принадлежит гильбертову пространству L2 функций, интегрируемых по Лебегу с квадратом на всей числовой прямой [5]. В этом случае функция fx) представима в виде f (x) = «офо (x) - «1Ф1 (x) - «2Ф2 (x) - ...       (1)

где { ф k } - полная ортонормальная система функций (базис) пространства L 2; коэффициенты a k находятся по формуле:

-X a k = ( f ', ф k ) = j f ( x ) ф k ( x ) dx .

-X

Проекционная оценка f N (x ) функции fx ) представляет собой N -ю частичную сумму ряда (1):

f N ( x ) = « о ф о ( x ) - « 1 Ф 1 ( x ) - ... - a N ф N ( x ).     (2)

Если восстанавливаемая функция f e L 2, то при неограниченном увеличении N оценка (2) сходится к истинной плотности fx ) в среднем квадратичном:

Я1 f N - f l 1=0.

В [6] указано, что если, кроме того, функция fx ) является непрерывной и имеет ограниченное изменение, то оценка (2) сходится равномерно. Там же рассматривается оценка (2), в которой в качестве функций ф k ( x ) взяты многочлены Эрмита. Работа [6] была выполнена при поддержке агентства NASA.

В работах [7; 8] рассмотрены некоторые обобщения оценки (2), имеющие вид

N fN (x) = ^X j a j ф j (x), j=o где весовые коэффициенты Xj выбираются из дополнительных соображений.

Однако требование f e L 2 не выполняется уже для некоторых модельных законов распределения. Например, распределение % 2 с числом степеней свободы 1 (т. е. распределение случайной величины, представ

ляющей собой квадрат нормально распределённой случайной величины с параметрами ц = 0 и о = 1) имеет плотность вероятности [9]

При этом

f ( x ) =

x

V 2л

1 0,

- 1

. 2

x 0,

С1 гЛ .

f 2( x ) dx = —

dx

= -X,

x

т. е. f £ L 2, следовательно, проекционная оценка плотности вероятности не сходится к fx ) в метрике пространства L 2.

В работе предлагается построение сепарабельных гильбертовых пространств, являющихся расширениями пространства L 2, в которых имеется возможность строить проекционные оценки функций плотности вероятности, не входящих в L 2.

Определение и основные свойства пространства L 2 , w . Пусть w ( x ) - положительная измеримая функция. Определим пространство L 2 , w как множество действительных функций, для которых

-X j f 2(x)w(x)dx < -x .               (4)

-X

Для любых двух функций f, g e L 2 , w определено число

-X

( f , g ) w = j f ( x ) g ( x ) w ( x ) dx .            (5)

-X

Действительно, для действительных функций fx ) и g ( x ) выполняется неравенство

I f ( x ) g ( x )| w ( x ) < 2 ( f 2 ( x ) w ( x )

- g 2( x ) w ( x ) ) .

Поэтому из (4) следует, что интеграл в (5) принимает конечное значение. Очевидно, двухместный функционал (5) удовлетворяет аксиомам скалярного произведения. Причём условие (4) означает конечность нормы функции f, индуцированной этим скалярным произведением. Следовательно, пространство L 2 , w является гильбертовым. При w ( x ) = 1 пространство L 2 , w совпадает с пространством L 2. Подбирая различные функции w ( x ), получим различные пространства L 2 , w , причём справедливо следующее утверждение.

Утверждение 1 . Если w 1 ( x ) w 2( x ), то

L 2, w 2 £ L 2, w .

В частности, при w ( x ) 1 пространство L 2 , w включает в себя пространство L 2.

Доказательство. Утверждение следует из того, что если для функции f(x ) выполнено условие

-x

J f 2 ( x ) w 2 ( x ) dx < -x ,

-x то

-x-x

J f 2( x ) w 1 ( x ) dx J f 2( x ) w 2( x ) dx < +x .

-x-x

Утверждение 2. Если для функций w 1 ( x ) и w 2( x ) существуют такие константы m и M , что

,W

Vx е (-x; +x), 0 < m < —1--< M < +x, w2( x )

то пространства равны

L 2, w = L 2, w 2 .

Доказательство. Из условия теоремы следует, что w1 (x) < Mw2 (x), w2 (x) < — w1 (x). m

Тогда

-x-x

J f 2( x ) w 1 ( x ) dx J f 2( x ) Mw 2( x ) dx =

-x

= M J f 2(x) w2(x)dx,(6)

-x

-x—x

J f 2( x ) w 2 ( x ) d J f 2( x ) — w i ( x ) dx = m

, -x

= — J f 2( x ) w 1 ( x ) d m

-x

Из (6) следует включение L 2 , w c L 2 , w , из (7) -включение L 2 w c L 2 w . Утверждение доказано.

Из утверждения 2 следует, что для фактического расширения пространства (т. е. для L2 w с L2 w ) необходимо, чтобы inf wytxl = 0, x w2( x )

или, что то же самое, w? (x) sup — = -x.

x w i ( x )

Заметим далее, что при таком расширении сохраняется различимость элементов, как показывает следующее утверждение.

Утверждение 3. Пусть w 1 ( x ) и w 2( x ) - две измеримые положительные функции, f - функция, принадлежащая обоим пространствам L 2 w и L 2 w . Тогда

IIД > 0 ^1 К2 > 0

Доказательство. Пусть, напротив, при некоторых w 1 ( x ) и w 2( x ) существует такая функция f G L Ц ^ L2w2 , Лля котор°Й

II4,> 0,                      (8)

но

II Я 2 = 0

Тогда

J f 2( x ) w 2 ( x ) dx = 0. -x

Так как подынтегральная функция неотрицательна, то отсюда следует, что она равна 0 почти всюду. Но w 2( x ) всюду положительна, поэтому почти всюду равна 0 функция f 2( x ), из чего следует, что

J f 2( x ) w 1 ( x ) dx = 0.

-x

Получаем противоречие с (8), что доказывает утверждение.

Из утверждения 3 следует, в частности, что если две функции fx ) и g ( x ) принадлежат обоим пространствам L 2 w и L2 w , то они в этих пространствах одновременно различаются или нет:

II f - g ll w >0 ^1 l f - g l2 0.

Оказывается, для любой функции плотности вероятности fx ) можно построить такое расширение L 2 , w пространства L 2, которое будет содержать функцию f(x ).

Утверждение 4. Пусть f(x) - функция плотности вероятности некоторой непрерывной случайной величины. Тогда существует такая положительная измеримая функция w(x), что выполняется включение f е L2,w .

Доказательство. Как функция плотности вероятности, f(x ) интегрируема на всей числовой прямой, причём

J f ( x ) dx = 1.

-x

Тогда существует (конечный или бесконечный) интеграл

I = J f 2( x ) dx .

-x

При этом если I < +», то f е L 2 , w при w ( x ) = 1. Если I = +», то функцию w ( x ) можно построить следующим образом:

I — , f ( x ) 1, w ( x ) = U ( x )                       (9)

[ 1,         f ( x ) 1.

В силу измеримости функции f ( x ) множества

X 1 = { x е Ж | f ( x ) 1} и X 2 = { x е Ж | f ( x ) 1} измеримы, поэтому измерима и построенная функция w ( x ). Кроме того,

J f 2( x ) w ( x ) dx = J f 2( x ) w ( x ) dx +

-x                   X 1

+ J f 2( x ) w ( x ) dx = J f ( x ) dx + J f 2( x ) dx ;

X 2                  X 1           X 2

J f ( x ) dx J f ( x ) dx = 1;

X i           —х

J f 2( x ) dx J f ( x ) dx J f ( x ) dx = 1.

X 2            X 2           —х

Таким образом, получаем, что

J f 2(x)w(x)dx <+х, —х поэтому f е L2,w. Утверждение доказано.

Построение функции плотности вероятности, не принадлежащей данному пространству L 2 , w . Как показывает утверждение 4, для любой функции плотности вероятности fx ) можно построить содержащее её гильбертово пространство L 2 , w . Выбирая всё меньшие функции w ( x ), можно получать всё более широкие пространства L 2 , w . Однако не существует пространства L 2 , w , которое содержало бы всё множество функций плотности вероятности любых непрерывных случайных величин. Действительно, справедливо следующее утверждение.

Утверждение 5. Пусть w ( x ) - положительная измеримая функция. Тогда существует непрерывная случайная величина, у которой функция плотности вероятности fx ) такова, что

J f 2( x ) w ( x ) dx = +х .

—х

Доказательство. Пусть w ( x ) удовлетворяет условию утверждения. Тогда существует такое £ > 0, что множество

A = {x е R | w(x) > £} имеет положительную меру. Определим на этом множестве функцию ф(x), обладающую свойствами:

J ф ( x ) dx <  +х , J ф 2 ( x ) dx = +х .

A                 A

Заметим, что множество A может иметь весьма сложную структуру, в том числе быть нигде неплотным [10].

Так как система измеримых множеств пространства действительных чисел R является о-алгеброй, то любое множество положительной меры из этой системы можно представить в виде объединения счётного множества попарно непересекающихся его подмножеств положительной меры. В частности, для множества A имеем х

A = U A i ,       p A i 0, А , - П A j. = 0 при i * j .

i = 1

Ряд, составленный из мер множеств A , очевидно, сходится, причём

х

E p A = P A .              (10)

n = 1

Обозначим через у n остаток ряда (10) после n -го члена:

х

У n E PA.

k = n + 1

Так как ряд (10) положительный, то согласно результату У. Дини [11, с. 319] ряд х      — 1

E p a у n 2 1 n = 1

сходится, в то время как ряд х EpA У 2—1 n =1

расходится. Используя это свойство, для каждого множества A n построим функцию

Ф n ( x )

У n 2 1 ,

0,

x е A n , x £ A n

и определим функцию ф ( x ) следующим образом:

Ф ( x ) = Е ф n ( x ).

n = 1

При этом

х

J ф(x)dx = E J Ф(x)dx =

A            n =1 An х              х     — 1

= E J ф n(x)dx = Epa у n 21 < +х;

n = 1 Д                  n = 1

A n

х

J ф 2 ( x ) dx = E J Ф 2 ( x ) dx =

A              n=1 An х             х

= E J фП (x)dx = Epa у——1 =+х.

n = 1 Д                  n = 1

An

Функциюfx) будем искать в виде f (x) = <

Ф( x ) ky/w (x) 0, x е A, x £ A,

где коэффициент k определим из условия нормировки:

f f ( x ) dx = 1C ф ( x ) dx = 1.

—V     k Vw^x

Заметим, что интеграл в последнем выражении сходится, так как

Г Ф( x) 7 / 1f/\7., I . dx < —;= I ф(x)dx < +х.

! Vw(x)     V£ A

Тогда получаем k = J A

Ф ( x ) -J w ( x )

dx .

Таким образом, функция f ( x ) является функцией плотности вероятности некоторой случайной величины. При этом

'x                       1     m 2 ( x )

f f ( x ) w ( x ) dx = —- f----- w ( x ) dx =

-X                 k 2 А w ( x )

V f е L 2 ( f , g ) w = J f ( x ) g ( x ) w ( x ) dx = 0

-x

= т m (x)dx = +».

k A

Утверждение доказано.

Сепарабельность пространства L 2 , w . Как показывает утверждение 5, не существует некоего универсального гильбертова пространства, пригодного для оценивания любой мыслимой функции плотности вероятности. Кроме того, при рассмотрении пространства L 2 , w очень важным является установление его сепарабельности, так как в этом случае у этого пространства гарантировано существование счётного базиса и возможность представления любого элемента пространства в виде (1). Таким образом, если функция плотности вероятности принадлежит сепарабельному пространству L 2 , w , то её проекционная оценка сходится к ней. Рассмотрим следующую теорему.

Теорема. Пусть L 2 с L 2 w . Тогда пространство L 2 плотно в пространстве L 2 w .

Для доказательства этой теоремы сформулируем следующую лемму.

Лемма. Пусть h ( x ) - измеримая функция, ортогональная пространству L 2:

V f е L 2 ( f , h ) = 0.

Тогда h ( x ) равна 0 почти всюду.

Доказательство. Пусть, напротив, h ( x ) ортогональна пространству L 2 и отлична от 0 на некотором множестве А положительной меры:

ц А = ц { x е R | h ( x ) * 0} 0.

Разобьём множество А на два подмножества

А 1 = { x е R | h ( x ) 0}, А 2 = { x е R | h ( x ) < 0}..

Очевидно, что мера хотя бы одного из них положительна. Тогда из А 1 или А 2 можно выделить ограниченное подмножество положительной меры. Обозначим это подмножество через B . Очевидно, на множестве B функция h ( x ) сохраняет знак. Определим функцию f ( x ) следующим образом:

[ 1, x е B , x ) = 5                .

[ 0, x £ B .

Функция fx ) принадлежит пространству L 2 , и, кроме того,

( f , h ) = J f ( x ) h ( x ) dx = J h ( x ) dx * 0.

-x                B

Получаем противоречие с ортогональностью функции h ( x ) пространству L 2. Лемма доказана.

Доказательство теоремы. Пусть, напротив, L 2 не является плотным в L 2 , w . Известно, что для того, чтобы линейное многообразие М было плотным в гильбертовом пространстве H , необходимо и достаточно, чтобы в H не существовало ненулевого элемента, ортогонального всем элементам из М [12]. Отсюда следует, что в L 2 , w существует ненулевой элемент g , ортогональный пространству L 2:

Из доказанной леммы применительно к h ( x ) = = g ( x ) w ( x ) следует, что функция g ( x ) w ( x ) равна 0 почти всюду. Так как w ( x ) > 0, то почти всюду равна 0 функция g ( x ), что противоречит тому, что g - ненулевой элемент пространства L 2 , w . Теорема доказана.

Из доказанной теоремы следует, что пространство L 2 плотно в любом содержащем его пространстве L 2 , w . Тогда из сепарабельности L 2 следует сепарабельность любого такого L 2 , w . В совокупности с утверждением 4 получаем, что для любой функции плотности вероятности можно построить проекционную оценку, сходящуюся в некотором пространстве L 2 , w .

Результаты численных экспериментов. Построим проекционную оценку плотности вероятности некоторых случайных величин, не принадлежащих пространству L 2. Для этого с помощью формулы (9) построим весовую функцию w ( x ) и для соответствующего пространства L 2 , w построим ортонормиро-ванный базис методом ортогонализации Грамма-Шмидта [13]. Коэффициенты a k в выражении (2) оценим по формуле [14]

a k =- E m k ( x i )w ( x i ). " i = 1

Длину ряда N получим минимизацией значения wn -2jt»mk-i^mmk- k-0,....n,      (12)

n k = 0        k = 0

где m mk = ak =-jm k(xi)w(xi), n i=1

2     1 nbi„ smk = —7 Дтk(xi)w(xi)- mmk ) , n -1 i=1

которое является (с точностью до постоянного слагаемого) несмещённой оценкой функционала качества

Q {f}= M f - f

w оценки плотности вероятности [15].

Промер 1. Для функции (3) плотности вероятности случайной величины, подчинённой закону распределения / , функция w(x) имеет вид z х    V2^xг1, x е (0;0,139),

( x ) = 5              ,               ,     v,

1,          clr-1.

Оценку будем строить на луче [0; +x), для чего в качестве системы линейно независимых функций возьмём последовательность е-x хр-x т2р-x х"р-x e , ^ve , ^v e , •••, ^v e , •••

После применения процесса Грамма-Шмидта был построен базис, несколько первых элементов которого имеют вид m0 (x) «1,482e-x, mi(x) ~ (-1,611 + 2,954x)e-x, m2(x) « (1,73 - 6,138x + 2,945x2)e-x,   ...

Оценка плотности вероятности строилась по независимой выборке случайной величины объёма n = 300. Оценки a k коэффициентов, а также их оптимальные значения занесены в табл. 1.

В табл. 2 приведены значения IT N .

Из табл. 2 видно, что минимальное значение W N достигается при N = 15. График соответствующей оценки приведён на рис. 1.

Качество оценивания при этом составляет

' - /|[ . 0,045.

Пример 2. Рассмотрим непрерывную случайную величину, заданную следующей плотностью вероятности:

Квадрат этой функции не суммируем в окрестности двух точек x = 0 и x = 1, следовательно, / 6 L 2. Построим содержащее эту функцию пространство L 2 , w . Для этого введём весовую функцию

4 V X ,

x е

w ( x ) = <

x е

1, cir'I.

Построим проекционную оценку функции плотности вероятности в интервале (0; 2). Для построения базиса возьмём линейно независимую систему

1

0 x 1,

f ( x ) = 1

-тЦ

, 1 x <  2,            (13)

4 V x -1

0,

cir'I.

. л                       n л

1, cos x , cos л x , ..., cos     x ,

2                     2

и по независимой выборке этой случайной величины объёма n = 300 построим проекционную оценку плотности вероятности. Результат численного эксперимента приведён на рис. 2.

Таблица 1

Оценки (11) коэффициентов и их оптимальные значения при восстановлении плотности вероятности (3)

k

0

1

2

3

4

5

6

7

8

9

a k

0,633

-0,135

0,166

-0,117

0,104

-0,097

0,085

-0,066

0,051

-0,038

a k

0,636

-0,133

0,148

-0,1

0,088

-0,075

0,067

-0,061

0,056

-0,052

k

10

11

12

13

14

15

16

17

18

19

a k

0,033

-0,034

0,034

-0,031

0,028

-0,025

0,023

-0,029

-0,029

-0,03

a k

0,048

-0,045

0,042

-0,04

0,038

-0,036

0,034

-0,043

-0,043

-0,043

Таблица 2

Значения оценки (12) функционала качества при восстановлении плотности вероятности (3)

N

1

2

3

4

5

6

7

8

9

W N

-0,416492

-0,442569

-0,455039

-0,464734

-0,473139

-0,479536

-0,483056

-0,484753

-0,485328

N

10

11

12

13

14

15

16

17

18

W N

-0,485565

-0,485918

-0,486332

-0,486598

-0,486696

-0,486703

-0,48666

-0,48659

-0,486517

Рис. 1. Результат восстановления функции плотности вероятности случайной величины, подчинённой закону распределения % 2 при k = 1

Рис. 2. Результат восстановления функции плотности вероятности случайной величины, подчинённой закону распределения (13)

Качество оценивания при этом составило

I f - f l С - 01о2.

Наличие разрыва второго рода внутри области оценивания значительно ухудшило качество аппроксимации по сравнению с примером 1.

Заключение. Из доказанных свойств пространства L 2 , w следует, что для функции плотности вероятности любой непрерывной случайной величины можно построить проекционную оценку, сходящуюся в этом пространстве при определённом выборе весовой функции w ( x ). Численные эксперименты подтвердили, что предложенный способ оценивания плотности вероятности может быть использован в случаях, когда квадрат оцениваемой функции f ( x ) не суммируется, т. е. f 6 L 2.

Список литературы Введение пространства L2,w при построении проекционной оценки плотности вероятности

  • Rosenblatt M. Remarks on some nonparametric estimates of a density function//The Annals of Mathematical Statistics. 1956. Vol. 27, 3. P. 832-837.
  • Parzen E. On estimation of a probability density function and mode//The Annals of Mathematical Statistics. 1962. Vol. 35, 3. P. 1065-1076.
  • Лапко А. В., Лапко В. А. Непараметрические модели и алгоритмы обработки информации: учеб. пособие/Сиб. гос. аэрокосмич. ун-т. Красноярск, 2010. 220 с.
  • Ченцов Н. Н. Оценка неизвестной плотности распределения по наблюдениям//ДАН СССР. 1962. Т. 147, 1. С. 45-48.
  • Колмогоров А. Н., Фомин С. В. Элементы теории функций и функционального анализа. 6-е изд. М.: Наука, 1989. 624 с.
  • Schwartz S. Estimation of probability density by an orthogonal series//The Annals of Mathematical Statistics. 1967. Vol. 38, 4. P. 1261-1265.
  • Watson G. Density estimation by orthogonal series//The Annals of Mathematical Statistics. 1967. Vol. 40, 4. P. 1496-1498.
  • Wahba G. Data-based optimal smoothing of orthogonal series density estimates//The Annals of Statistics. 1981. Vol. 9, 1. P. 146-156.
  • Кобзарь А. И. Прикладная математическая статистика: для инженеров и научных работников. М.: Физматлит, 2006. 816 с.
  • Натансон И. П. Теория функций вещественной переменной. 3-е изд. М.: Наука, 1974. 480 с.
  • Фихтенгольц Г. М. Курс дифференциального и интегрального исчисления. 8-е изд. М.: Физматлит, 2003. Т. 2. 864 с.
  • Люстерник Л. А., Соболев В. И. Элементы функционального анализа. 2-е изд. М.: Наука, 1965. 520 с.
  • Ленг С. Алгебра. М.: Мир, 1968. 564 с.
  • Новосёлов А. А. Об оптимальном выборе структуры функции плотности вероятности и регрессии: препринт. Красноярск: ВЦ СО АН СССР, 1979. 31 с.
  • Браништи В. В. О параметрическом оценивании функции плотности вероятности//Научно-технический вестник Поволжья. 2014. № 1. С. 13-16.
  • Rosenblatt M. Remarks on some nonparametric estimates of a density function. The Annals of Mathematical Statistics, 1956, Vol. 27, No. 3, P. 832-837.
  • Parzen E. On estimation of a probability density function and mode. The Annals of Mathematical Statistics, 1962, Vol. 35, 3, P. 1065-1076.
  • Lapko A. V., Lapko, V. A. Neparametricheskie modeli i algoritmy obrabotki informatsii . Krasnoyarsk, SibSAU Publ., 2010, 220 p.
  • Čencov N. N. Evaluation of an unknown distribution density from observations. Soviet Math, 1962, Vol. 3, P. 1559-1562.
  • Kolmogorov A. N., Fomin S. V. Elementy teorii funktsiy i funktsional’nogo analiza . 6th ed. Moscow, Nauka Publ., 1989, 624 p.
  • Schwartz S. Estimation of probability density by an orthogonal series. The Annals of Mathematical Statistics, 1967, Vol. 38, No. 4, P. 1261-1265.
  • Watson G. Density estimation by orthogonal series. The Annals of Mathematical Statistics, 1967, Vol. 40, No. 4, P. 1496-1498.
  • Wahba G. Data-based optimal smoothing of orthogonal series density estimates. The Annals of Statistics, 1981, Vol. 9, No. 1, P. 146-156.
  • Kobzar’ A. I. Prikladnaya matematicheskaya statistika: Dlya inzhenerov i nauchnykh rabotnikov . Moscow, Fizmatlit Publ., 2006, 816 p.
  • Natanson I. P. Teoriya funktsiy veshchestvennoy peremennoy . 3rd ed. Moscow, Nauka Publ, 1974, 480 p.
  • Fikhtengol’ts G. M. Kurs differentsial’nogo i integral’nogo ischisleniya . 8th ed. Moscow, Fizmatlit Publ., 2003, 864 p.
  • Lyusternik L. A., Sobolev V. I. Elementy funktsional’nogo analiza . 2nd ed. Moscow, Nauka Publ., 1965, 520 p.
  • Lang S. Algebra. New York, Springer, 2005, 917 p.
  • Novoselov A. A. Ob optimal’nom vybore struktury funktsii plotnosti veroyatnosti i regressii . Krasnoyarsk, Computation Center of Siberian Department of USSR Academy of Sciences Publ., 1979, 31 p.
  • Branishti V. V. . Nauchno-tekhnicheskiy vestnik Povolzh’ya, 2014, No. 1, P. 13-16 (In Russ.).
Еще
Статья научная