No label defined (Q4040955)

Gegenstand der vorliegenden Arbeit ist die folgende Fragestellung aus der Lerntheorie: Es liege eine Folge \((\mu_ n)_{n\in {\mathbb{N}}}\) von Parametern aus einem reellen, separablen Hilbertraum \({\mathbb{H}}\) vor, die entweder ein gewisses Trendverhalten aufweist oder gegen ein \(\mu\in {\mathbb{H}}\) konvergiert. Im allgemeinen ist diese Folge - im Konvergenzfall auch der Grenzwert - unbekannt, andererseits kann aber jedes \(\mu_ n\)- mit einem zufälligen Fehler \(V_ n\) behaftet - beobachtet werden. Die Aufgabe besteht nun darin, aufgrund der Beobachtungen von \(\mu_ 1,...,\mu_ n\) eine Schätzung \(X_{n+1}\) für \(\mu_{n+1}\) bzw. \(\mu\) anzugeben mit der Eigenschaft, daß \((X_ n-\mu_ n)_{n\in {\mathbb{N}}}\) bzw. \((X_ n-\mu)_{n\in {\mathbb{N}}}\) in einem geeigneten Sinne gegen Null konvergiert. Die Gliederung der Arbeit ist wie folgt. Nachdem zu Anfang einige Hilfsresultate bereitgestellt sind, werden eine Schätzfolge - die lineare Lernregel - definiert und Bedingungen angegeben, unter denen fast sichere Konvergenz vorliegt. Unter geeigneten Zusatzvoraussetzungen läßt sich eine Aussage zur Geschwindigkeit der fast sicheren Konvergenz herleiten. Es folgen Anwendungsbeispiele, die sich auf die rekursive, nichtparametrische Schätzung von Dichten bzw. Verteilungsfunktionen beziehen. Das darauffolgende Kapitel behandelt entsprechende Fragen, die Konvergenz im quadratischen Mittel betreffend. Aussagen zur asymptotischen Normalität und funktionale zentrale Grenzwertsätze (Invarianzprinzipien) sind Gegenstand eines weiteren Kapitels. Im letzten Kapitel werden für die lineare Lernregel Konvergenzraten hergeleitet, d.h. es wird die Frage behandelt, unter welchen Voraussetzungen für welche reellen \(\gamma\) die Reihe \[ \sum^{\infty}_{n=1}n^{\gamma}P[\| X_{n+1}-\mu_{n+1}\| >\epsilon],\quad \epsilon >0, \] konvergiert.