对于这个问题，我们需要逐项分析每个选项的正确性：

A: **SVM对噪声（如来自其他分布的噪声样本）具备鲁棒性。**
- Support Vector Machine（支持向量机，SVM）在某些情况下对噪声有一定的鲁棒性，特别是在样本特征空间是线性可分的情况下，因为SVM只关注支持向量并试图最大化间隔。但是，对于噪声较大的数据集，特别是异常值，SVM的性能可能会受影响。因此，这个说法不完全正确，因为SVM对所有类型的噪声并不总是鲁棒。

B: **在adaboost算法中，所有被分错样本的权重更新比例相同。**
- AdaBoost是一种迭代算法，它通过调整被错误分类样本的权重来增强学习。在每次迭代中，分错的样本的权重会被增加，但更新比例并不是相同的，而是根据分类器的错误率进行调整。因此，这个说法是错误的。

C: **boosting和bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率确定其权重。**
- Boosting和Bagging确实都是集成学习的方法，通过组合多个分类器来提高整体性能。但是，Boosting是通过加权投票来提高那些单个性能不佳的弱分类器；它根据错误率调整各个分类器的权重。而Bagging（如随机森林）则是通过简单投票（或平均）来组合多个强分类器，通常不对分类器权重进行调整。因此，这个选项不完全正确。

D: **给定n个数据点，如果其中一半用于训练，一半用于测试，则训练误差和测试误差之间的差别会随着n的增加而减少。**
- 这个说法是正确的。通常情况下，随着样本数量n的增加，模型能够接触到更多的信息，训练误差和测试误差之间的差异会减小，因为模型会更好地概括数据的整体分布。更多的数据使得模型能够更好地学习到数据的模式，减少过拟合的风险。

综上所述，正确的选项是 **D**。