基于递归Wolverton-Wagner估计的一致范数下多维密度的置信区域
Confidence regions for the multidimensional density in the uniform norm based on the recursive Wolverton-Wagner estimation
AI总结：
本文基于递归Wolverton-Wagner密度估计，在随机向量样本上为多维未知密度构造了在Lebesgue-Riesz范数和一致范数下具有最优指数尾部递减性质的置信区域。
摘要：
我们基于著名的递归Wolverton-Wagner密度估计，在随机向量样本上，为Lebesgue-Riesz范数以及一致范数下的未知分布密度构造了一个最优的指数尾部递减置信区域。
英文摘要：
We construct an optimal exponential tail decreasing confidence region for an unknown density of distribution in the Lebesgue-Riesz as well as in the uniform} norm, built on the sample of the random vectors based of the famous recursive Wolverton-Wagner density estimation.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
