Large Deviations of Empirical Probability Measures
经验概率测度的大偏差AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于一般概率论中的经验测度大偏差理论，未明确对应所列经济计量细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
经验概率测度的大偏差
- 研究问题
- 如何把经验分布函数的大偏差概率一阶渐近结果推广到经验概率测度，并简化所需条件与扩大结论适用范围？
- 方法与思路
- 作者在经验概率测度层面建立 Sanov 型一阶大偏差结果，再考察其对分布函数的适用性及与已有结果的关系。
- 材料陈述的贡献
- 摘要称，推广伴随条件简化；在分布函数情形下，所得定理严格比所提及的 Hoadley 结果的特化版本更一般。
- 阅读关注点
- 应核对概率测度所处空间、拓扑及集合条件，所谓一阶渐近的精确定义，以及严格更一般结论的条件包含关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未列出定理条件、速率函数或证明，也未涉及高阶近似和有限样本误差。
原文摘要
Sanov's statement of first-order asymptotic behaviour of probabilities of large deviations of an empirical distribution function is here established for empirical probability measures, with attendant simplification of conditions. For the case of distribution functions, our theorem is strictly more general than a specialisation of results of Hoadley.