范登伯格（E.van den Berg）。;A.W.海明克。;林海霞（Lin，H.X.）。;Schoenmakers，J.G.M。 使用反向表示的随机环境模型中的概率密度估计。 （英语） 邮编1096.62027 斯托克。环境。Res.风险评估。 20，编号1-2，126-139（2006）. 摘要：长期以来，随机微分方程所描述变量的概率密度的估计都是使用前向时间估值器进行的，它依赖于模型的前向时间实现的生成。最近，一种基于正向和反向时间估计器组合的估计器被开发出来。该估计比经典估计具有更高的收敛阶。我们探索了新的估计器，并将其应用于生化需氧量模型，比较了正向和正向估计器。最后，我们证明了前向估计量的计算效率优于经典估计量，并讨论了估计量的算法方面。 引用于4文件 MSC公司： 62G07年 密度估算 62米05 马尔可夫过程：估计；隐马尔可夫模型 62页第12页 统计在环境和相关主题中的应用 60 H10型 随机常微分方程（随机分析方面） 92C40型 生物化学、分子生物学 65C60个 统计中的计算问题（MSC2010） PDF格式BibTeX公司 XML格式引用 \textit｛E.van den Berg｝等人，Stoch。环境。Res.风险评估。20，编号1--2，126-139（2006；Zbl 1096.62027） 全文： 内政部 参考文献： [1] Bally V，Talay D（1996a）随机微分方程的欧拉格式定律I：密度的收敛速度。蒙特卡罗方法应用2:93-128·Zbl 0866.60049号 ·doi:10.1515/mcma，1996.2.2.93 [2] Bally V，Talay D（1996b）随机微分方程的欧拉格式定律I：分布函数的收敛速度。概率论相关字段104:43-60·Zbl 0838.60051号 ·doi:10.1007/BF01303802 [3] Devroye L，Györfi L（1985）非参数密度估计：L1。查看威利·Zbl 0546.62015号 [4] Devroye L（1986）非均匀随机数生成。施普林格，柏林-海德堡-纽约·Zbl 0584.65002号 [5] Greengrad L，应变J（1991）快速高斯变换。SIAM J sic stat公司12:79-94·Zbl 0721.65089号 ·数字对象标识代码：10.1137/0912004 [6] Hammersley JM，Handscomb DC（1964）蒙特卡罗方法。威利，伦敦·Zbl 0121.35503号 [7] Jazwinsky AW（1970），随机过程和过滤理论。学术，纽约·Zbl 0203.50101号 [8] Kloeden PE，Platen E（1992）随机微分方程的数值解。施普林格，柏林-海德堡-纽约·Zbl 0752.60043号 [9] Loucks DP，Stedinger JR，Haith DA（1981）水资源系统规划与分析。纽约Prentice-Hall [10] Milstein GN（1995）随机微分方程的数值积分。多德雷赫特·克鲁沃 [11] Milstein GN，Schoenmakers JGM（2002）《针对多资产欧洲索赔随机性的套期保值策略的蒙特卡罗构建》。随机报告1-2:125-157·Zbl 1005.60079号 ·doi:10.1080/10451120212868 [12] Milstein GN，Schoenmakers JGM，Spokoiny V（2002），通过正向-反向表示的随机微分方程的转移密度估计。伯努利（提交） [13] Schoenmakers JGM，Heemink AW（1997）金融衍生品的快速估值。计算金融杂志1（1）：47-67 [14] Schoenmakers JGM，Heemink AW，Ponnambalam K，Kloeden PE（2002）随机环境模型蒙特卡罗模拟的方差减少。应用数学模型26:785-795·Zbl 1014.92046号 ·doi:10.1016/S0307-904X（01）00091-9 [15] Silverman BW（1986）统计和数据分析密度估计。纽约查普曼霍尔有限公司·Zbl 0617.62042号 [16] Stijnen JW（2002）代尔夫特理工大学随机环境模型的数值方法。Defalt科技大学博士论文 [17] Thomson DJ（1987）湍流中颗粒轨迹随机模型的选择标准。流体力学杂志180:529-556·Zbl 0644.76065号 ·doi:10.1017/S0022112087001940 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。