非负整值随机变量序列的一类强律

设{X_n,n≥1}是一列在S={0,1,2,…}中取值的随机变量,其分布为f(x_1,…,x_n)=P(X_1=x_1,…,X_n=x_n)>0,x_k∈S,1≤k≤n.(1)易知{X_n,n≥1}独立同分布的充要条件是存在S上的分布(p(0),p(1),…),P(i)>0,i∈S,(2)使得对任意正整数n有f(x_1,…,x_n)=multiply from k=1 to n p(x_k),x_k∈S,1≤k≤n.(3)为了表征{X_n,n≥1}与服从分布(3)的独立随机变量之间的差异,我们引进如下的似然比:     

随机康托集和从属过程产生的分形的测度性质

设μ是直线上的Lebesgue测度,(Ω,g,P)=([0,1],B([0,1]),μ)~N,N={1,2,…},{X_n,n∈N}是(Ω、g,P)上的独立随机变量列,(?)_ω=(ω_1,ω_2,…)∈Ω,X_n(ω)=ω_n,(n∈N),对a.s.的ω∈Ω,存在一个随机半序<,使     

独立增量过程的Chung重对数律

一、引言 设Y={Y_n,n≥1}为定义于概率空间(Ω,(?),P)上的实值独立同分布随机变量列,记Jain和Pruitt证明了     

矩限制的随机变量加权和的收敛速度及其在回归模型中的应用

随机变量加权和的收敛问题表述如下:如果{ε_n,n≥1}是一列随机变量,{a_n,n≥1}是常数列。记     

NA随机变量的两个极限定理

NA(negetively associated)随机变量在可靠性理论及多元分析中有广泛应用,近来,对此类随机变量极限定理的研究已引起很多学者的关注.定义1称随机变量X_1,…,X_n(n≥2)为NA的,如果对于{1,…,n}的任何两个不相交的非空子集T_1和T_2,都有Cov(f_1(X_i,i∈T_1),f_2(X_j,j∈T_2))≤0,其中f_1和f_2是任何两个使上述协方差存在的对每个变元均非降(或均非升)的函数.称随机变量列{X_i,i∈N}是NA的,如果对任何自然数n≥2,X_1,…,X_n.都是NA的.近来的研究表明,NA序列有许多与独立序列极为类似的极限性质,这为NA序列在应用上提供了有力的理论依据.近来,我们证明了引理1 设{X_j,j∈N}为零均值的NA序列,且对某个p≥2,.记则存在仅与p有关的常数K_p>0,使对任何自然数a和n有,本文就用引理1建立了下面的极限定理.     

φ-混合样本的核密度估计的强一致相合性

一、引言设{X_n}是乎稳、φ混合随机变量序列(例如见文献[1]),X_1的未知概率密度为f(x)。对每一n≥1,基于X_1,X_2,…,X_n,定义f(x)的核估计为     

α混合序列的完全收敛性

1 引言和主要结果自1947年Hsu和Robbins提出完全收敛性概念以来,不少学者致力于这方面的研究,其一般性的结果是1965年Baum和Katz得到:设{X_n,n≥1}是独立同分布随机变量序列,EX_n=0,E|X_1|~p<∞,p≥1,1≥α>1/2,pa≥1,(?)_ε>0,S_n=sum from i=1 to n(X_i),有sum from n=1 to ∞ n ~(pa-2)P(|S_n|≥εn~a)<∞(1)1985年白志东和苏淳把上述结果推广到极大部分和与缓变函数形式,并得到一系列理想的结果,与此同时,由于实际应用的需要,这一课题也转向{X_n,n≥1|}不独立情形的研究.1988     

关于C-R增量的一个注

通过直接估计的新途径,对矩母函数存在的情况,我们曾经给出过独立但不必同分布的随机变量序列的部分和的Csrg-Révész增量的上极限性质(《高校应用数学学报》,1(1986),1:7—16)。设{X_n,n≥1}     

m值随机变量序列一类极限定理的信息条件

设{X_s,n≥1}是在S={1,2,…,m}中取值的随机变量序列,其联合分布为P(X_1=x_1,…,X_n=x_n)=p(x_1,…x_n)>0,     

NA序列的一个Hsu-Robbins型定理

NA(Negatively associated)随机变量序列在可靠性理论与多元统计分析中有广泛的应用,讨论其极限性质具有重要意义.定义1 称随机变量X_1,…,X_n是NA的(n≥2),如果对于集合{1,2,…,n}的任何两个不相交的非空子集T_1和T_2,都有     

关于具有随机足标的最大值

本文设{ξ_i}与{X_i}是概率空间（Ω,F,P）上的两列随机变量,其中{X_i}是i.i.d具有公共分布函数F（x）.记 M_n==Vξ_i,M_n=VX_i以及[t]表示t的最大整数部分. 在i.i.d.情形,具有随机足标的最大值的极限分布的主要结果如下（参看文献[1],定理6.2.1）: 定理1 设a_n>0,b_n∈R,n≥1,使 P（M_n≤a_nx b_n）→G(x,) n↑∞,（1）其中G是非退化的分布函数。如果一列非负整值随机变量{N_n}满足     

随机变量和随机元的加权和的大数定律

设{x_n,n≥1}是独立但不必同分布的随机变量序列,{a_(nk),k,n=1,2,…}是二重足码的常数序     

平稳随机变量序列的经验过程的弱收敛性

设{ξ_π)是强平稳随机变量序列,ξ_π服从[0,1]中均匀分布,F_π(t,ω)是ξ_1(ω),…,ξ_π(∞)的经验分布,序列{ξ_π}的经验过程{y_π}由下式定义:     

一类平稳强混合序列的收敛性

以往对于平稳混合序列的中心极限定理及其不变原理都是在方差存在的条件下讨论的。现在除去了这一限制。给出了定理1 设{X_n,n≥1}是满足强混合条件(α)的平稳随机序列,FX_n=0。假设(ⅰ)存在满足下列条件的正整值函数P(n)(简     

条件中位数的核估计

设(X,Y)为取值于R~d×R~1的随机变量。在给定X=x∈R~d的条件下,Y的条件分布函数记为F_x(y)。条件中位数ζ_x定义为ζ_x=inf{y:F_x(y)≥1/2}、设(X_1,Y_1),(X_2,Y_2),…,(X_n,Y_n)为(X,Y)的i.i.d.观察值。我们的目的是利用核函数方法构造ζ_x基于上述观察值的一种估计。令     

关于U-统计量列完全收敛的一个不等式

对任意实数a_1,…,a_n,n=1,2,…设 a_n~*=max|a_i|. i≤n {x,x_n:n=1,2,…}为定义于同一完备概率空间(Ω,(P),取值于R的r.v.列。 S_o=O。S_n=sum from i=1 to n X_i, T_n=sum from 1≤i≤j≤n X_iX_j,n=1,2,…周元燊于1991年提出定理A 设{X,X_n:n=1,2,…}     

随机规划中关于正态分布的若干凸性命题

随机规划中有一类机会约束规划问题,其一般形式为X<α>(?){x丨p(ω丨A(ω)x≥b(ω))≥α,x∈X}或者X_i(α_i)(?){x丨p(ω丨A_i(ω)x≥b_i(ω))≥α_i,x∈X}是否凸集。颜铁成讨论了A(ω)的所有元素为独立的正态分布随机变量而b(ω)固定时的凸性命题。本文讨     

任意信源相对熵密度的若干性质

其中log是自然对数。f_n(ω)称为{X_i,1≤i≤n}的相对熵密度。考虑{f_n,n≥1}在一定意义下的极限是信息论中的一个重要问题(参见文献[1]及其所引文献)。本文目的是要研究这个问题和给定值在{x_n}中的频率的某些关系。     

用极值理论研究大地震发生的模式——定时段最大地震震级的分布

(一) 若随机变量组{X_k,k=1,2,…,n}是独立同分布的,并且X_1的分布函数F(x)=P{X_1≤x}是已知的,则这n个随机变量的极大值X(?)=max{X_k}也是一个随机变量,并可知其分布函1≤k≤n数即G_n(x)=[F(x)]~n 对随机变量组的极大和极小值的分布以及有关其统计特性的研究,称为极值理论。在概率论与数理统计这一领域中,极值理论是本世纪二十年代以来逐渐发展起来的一个分支。它有着广泛的实用背景,它在理论上的成长与在实际中的应用从其开始就是结伴而行的。1925年L.H.C.Tippett对来自正态母体的样本的极值与其范围的研究被当作这方面工作的开端。1928年R.A.Fisher与Tippett关于样本中最大最小值频率分布的极限形     

双下标-混合序列和的重对数律

一、引言及若干引理 当{ε_i}是均值为0,(某,>2)的独立随机变量列,且双下标常数列{α_(ni)}满足适当条件时,文献[1]中得出