确定独立随机变量分布律的一种方法

一、前言通过独立随机变量的函数独立性,来研究该随机变量的分布律,引起许多概率统计工作者的兴趣和注意。这个问题的一般提法是,假定X_1,X_2,…,X_n是相互独立的随机变量,令 Y_i=Ψ_i(X_1,X_2,…,X_n)i=1,2,…,m,如果 Y_1,Y_2,…,Y_m相互独立,求X_i服从何种分布。当Ψ_i是线性函数时,这个问题已完满解决。这方面早期工作可见参考文献。代表性的定理为Darmois-Skitovice定理,对这个定理有各种形式的推广。     

Poisson定理的推广

本文讨论了一般超几何分布的极限分布为多项分布,多项分布的极限分布是多重Poisson分布,从而提供了在一般抽球问题中,当箱中的球数足够大时,无返回抽球可视为有返回抽球的理论根据,且进一步说明了二项分布的Poisson 逼近定理是本文定理的特例。一般的抽球问题:设箱中装有带号码“i”的球N_i(i=1,…,r)个且sum from i=1 to r N_i=N.求从此     

矩限制下次序统计量均值的界

设X_1 X_2…,X_n为随机变量,它们的次序统计量为X_(14)A≤X_(26a)≤…≤X_(n.n),记E(X_(itn))=μ_(iln),当X_1…,X_n有共同的均值μ,方差σ~2时,〔1〕中得出了其次序统计量均值的界,本文在E(X_i)=μ,E|X_i|p=c<∞(p>1)时,得出了相应的结果。特别,如对任p>1.E|X_i|p=c(p)≤k<∞,i=1,2,…时,我们得出     

一类变系数非綫性微分方程组解的稳定条件

考虑下列微分方程组其中p_(ij)(t)(i,j=1,2,…,n)为t≥t。的实连函数,f_i(i=1,2,…,n)为变量t,X_1,…X_n的实連續函数,定义于区域:t≥t。,|x_1|   

关于多元Poisson变量的一个基本特征

本文目的是讨论多元独立的非负整值随机变量X_1,X_2,…,X_n的每一个服从Poisson分布的充分必要条件。     

关于高级诱导极限的连续映象定理

在这里我们所要讨论的是有关能量空间中高级(有穷的)诱导极限的连续映象定理,首先叙述这样一个定义(徐利治,1951;数学学报,88-97):假定X={X_n}的a级导集X~(a)只包含一个点x_0,则便称叙列{X_n}收歛于a级的诱导极限x_0,记作对于一个已经知道具有诱导极限的叙作{X_n}来说,其诱导极限的级也可以表作a=〈x_n〉现在我们来证明下面一个命题:定理1.假设K个叙列{X_1,n},{X_2,n},…,{X_k,n}分别是完全能量空间S_1,S_2…,S_k,中的各含相異元素的紧致集,又设这些叙列都有着高级诱导极限点并且{(X_1,n,X_2,n,…,X_k,n)}是乘积空间S_1×S_2×…×S_k中的阴集,那末〈x_1,n〉=〈x_2,n〉     

正态—正态模式下结构串联系统可靠性的MVUE

本文证明R=P_(?){X_1≥Y,…,X_n≥Y}的MVUE存在的充要条件是m≥n;并得到m≥n时R的MVUE。其中:X_1,…,X_n iid.～N(u,σ~2),Y～N(0,1),Y与X_1,…,X_n独立,u、σ~2未知,Z_1,…,Z_m(m≥2)为N(u,σ~2)的iid。样本。     

用均匀分布模拟同分布中心极限定理

设随机变量X_1,X_2,…,X_n,…相互独立,且都在区间(0,1)上均匀分布,即每个X_i(i=1.2,…)的分布密度都是     

强大数律的充要条件

设{X_n,n≥1}为定义在概率空间(Ω,■,Ρ)上的随机变量序列,EX_n=0,n=1,2、…,人们熟知{X_n}服从强大数律的必要条件为(i){X_n}服从弱大数定律,(ii)(X_n)/na、c、0·但其逆命题不成立。当(i)和(ii)成立时,还需加上什么条件才能使{X_n)服从强大数律?本文给出条件(iii),对任-ε>0、存在0>δ<ε,使得P{∩∪(ε-δ≤(|S_n|)/n<ε)}=0使(i),(ii),(iii)合起来才是强大数律的充要条件。并且(iii)和(i),     

简单线性秩统计量的大偏差概率的一致收敛区间

设X_(1N),…,X_(NN)是相互独立的随机变量,它们的分布函数均连续,N=1,2,…。简单线性秩统计量的形状为其中C_(1N),…,C_(NN)是回归常数;a_N(1),…,a_N(N)是计分值;R_(iN)是X_(iN)在X_(1N),…,X(NN)中的秩。在一定的条件下,本文证明了S_N的大偏差概率的一致收敛区间为[0,o(N~(1/6-η))],其中η∈[0,1/6)。     

离散指标下的最近邻判别分析

设(θ,X),(θ_1,X,),…,(θ_n,X_n)是独立同分布的随机向量,θ∈{0,1},X∈x{0,1,2,…相似文献   

标准柯西分布的一类组合分布

<正> 具有密度函数f(x)=1/π·λ/(λ~2(x-μ)~2)的连续型随机变量称为服从柯西分布的随和变量,尽管这种随和变量的各阶矩都不存在,也不服从中心极限定理,然而它却有着许多良好的性质。众所周知,若ξ_1、ξ_2、……ξ_n 为任意n 个相互独立的柯西型随机变量,则它们的线性组合η=α_1ξ_1+α_2ξ_2+……+α_nξ_n 仍然服从柯西分布,即具有再生性。本文要指出,利用柯西分布与均匀分布的密切联系,可推得柯西分布的另一种复杂得多的组合分布仍然服从柯西分布。定义称μ=0,λ=1时的柯西分布为标准柯西分布。定理若随机变量ξ服从标准柯西分布,则随机变量     

一个复合Poisson逼近定理

设{X_■■,Y_■■)}是独立的随机变量组列,使得X_■■是Bernoulli随机变量,且X_■■与Y_■■满足一定的关系(i=1,2…,n). Wang在[1]中证明了sum from i=1 to (Y_■■)的极限分布是复合Poisson分布。本文在Y_■是非负整值随机变量情形下,将文[1]的结果拓广,并证明了sum from i=1 to n(Y_■■)以很强的速度收敛到复合Poisson分布。     

有关二维连续型随机变量与分布的教学内容探讨

我们称n个随机变量X_1,X_2,…,X_n的整体ξ=(X_1,X_2,…,X_n)为n维随机变量或称随机向量。对于二维连续型随机变量与分布这一部分内容的讲解,主要应从概念的界定入手,着重讲解它的分布规律以及它们的相关关系,即:联合密度、边缘密度、联合密度与边缘密度的关系(积的关系、商的关系)。     

截断和渐近正态之速度

设X_1,X_2,…X_n独立,有连续、对称的共同分布函数。|X_(n,1)|,|X_(n,2)|,…,|X_(n,n|表示|X_1|,|X_2|,…,|X_n|的次序统计量。本文研究截断和sum from j=1 to n-k X_(n,j)渐近正态的速度、并且改进了Egorov的一个结果。     

相依指数分布次序统计量的随机比较

本文研究了相依指数分布的最大与最小次序统计量的随机比较。设X_i～E(λ_i),X_i~*～E(λ_i~*),i=1,2,…,n,且两组随机变量间的相依性用生成元为Φ的阿基米德Copula进行刻画。得到如下结论:(1)当(λ_1,λ_2,…,λ_n)≥_m(λ_1~*,λ_2~*,…,λ_n~*)时,有X_(n:n)≥_(st)X_(n:n)~*成立;(2)当(λ_1,λ_2,…,λ_n~*)时,在t/(Φ'[Φ~(-1)(t)])关于t单调递增的条件下,有X_(1:n)≤_(st)X_(1:n)~*成立;在t/Φ'[Φ~(-1)(t)]关于t单调递减的条件下,有X_(1:n)≥_(st)X_(1:n)~*成立。     

多维近邻密度估计的Lp模强相合性

设X_1,…,X_n是i.i.d.的具有密度f(x)的d维随机变量。设S_(x,a(x))是中心在x且至少包含X_1,…,X_n中k_n个点的最小的球,则f_n(x)=R_n/(n|S_(x,a(x)|)是f(x)一个近邻估计。我们证明了:假如lim k_n/n=0,lim k_n/logn=∞以及flog~ f在任何有界Borel集上可积(或∫f'(x)dx<∞,p>1),则对任何有界Borel集A有(或p>1)。反之,如,则有∫f~p(x)dx<∞,lim n→∞k_n/n=0和lim n→∞k_n=∞。     

箱样条曲面的单调性

引理1 设X_(s+1)={e~1,…,e~s,e~1+…+e~s},ξ∈X_(s+1),如果对于所有的i∈Z~s,都有C_(i+ξ)≥C_i,则箱样条曲面S(x)=■C_iΦ_i(x|X_(s+1))在ξ方向上是单调非降的。其中Φ_i(x|X_(s+1))是箱样条函数。定理1 设X_n={x~1,…,x~n}■Z~s■{0},对任意1≤i≤n,〈X_n■{x_i}〉=R~s,令I_k={j|Φ_j(x|X_n■{x~i})■0,x∈suppΦ_k(x|X_n■{x~i})},M_k=■(C_(j+x~i)+C_j)则箱样条曲面S(x)=∑C_jΦ_j(x|X_n),x∈R~S(1)在x~i方向上单调非降的必要条件是     

全期望公式与复合分布

众所周知,“条件化”对处理某类随机现象是很可取的。本文把全期望公式用于研究特征函数(即分布函数的Fourier 变换),得到了几个有趣的复合分布。主要结果是:命题6 设随机变量η服从自由度为2N m 的x_-~2分布,m 为一给定的正整数,而N 是一取非负整值的随机变量,且N～P(k,λ)(λ≥0常数,k=0,1,…).则η～x~2(m,2λ)(即η服从自由度为m、非中心参数为2λ的x_-~2分布).     

强大数定律的点滴结果

本文引理2改进了Renyi—Hājek引理,作为引理2的应用,指出定理1的另一证法。定理2改变Teicher强大数定律中的条件(ⅲ),得到与它相并列的结果,定理3指出独立随机变量序列服从强大数定律的必要条件。设X_(?),n≥1为定义在概率空间(Ω.(?).P)上的随机变量。S_n=∑_h=1~nX_k,