一类负相关随机变量Galton-Watson随机和的大偏差

研究了随机和S_(Zn)∶=Zn∑ i=1X_i的大偏差,式中Z_n为上临界Galton-Watson(G-W)过程的第n代个体数,{X_i,i≥1}为一族同分布的负相关随机变量.所得结果推广了Fleischmann等关于独立同分布随机变量之和的结果.     

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)。     

独立随机变量平方和的极限定理

设X_1,X_2,…为相互独立的随机变量序列,EX_k=0。EX_k~2=μσ_k~2.k=1.2,…B_n=sum from k=1 to n (σ_k~2),X_n~2=sum from k=1 to n(X_h~2)。若各X_k再满足一些条件,则我们有     

随机变量部分和及最大值分布的渐近表达式

设{Xk;k≥1)为一列独立同分布的随机变量序列,具有共同的支撑在(-∞, ∞)上属于S*(γ)族的分布函数Fk,k≥1.本文研究了量 ,的局部概率P(x<·< x h),其中S<,0>=0,h>0为任意的常数.     

AANA随机变量的完全收敛性

设X{n,n≥1}为被随机变量X随机控制的AANA(asymptotically almost negatively associated)随机变量序列,a{n,n≥1}是正常数列.在适当的矩条件下,研究了AANA随机变量加权和max1≤k≤n a-1n∑k i=1Xi的完全收敛性.作为该结果的应用,得到了一些关于AANA随机变量序列完全收敛性的新结果.     

不同分布的随机中心极限定理

引言设{ξ_k}是独立同分布的随机变量序列,其均值Eξ_k=0,方差D(ξ_k)=1,(k=1、2…)。记η_n=sum from K=1 to=n(ξ_k) ξ_n=η_n/n~(1/2) 那么独立同分布的中心极限定理成立,即 n→∞P(ξ_n相似文献   

关于独立随机变量列部分和乘积的一个极限定理

讨论了一类独立非负随机变量列部分和乘积的渐进结构，在一定条件下给出了一个中心极限定理。假设X1,X2…，Xa,…为二阶矩存在的非负独立随机变量列，证明收敛性[^nПk=1（Sk/μk）^1/γk]^1/√Tnd→e√2N成立，其中N是标准正态随机变量，Sk=^k∑i=1Xi,μk=E（Sk）,σk=Var（Sk），γk=σk/μk，且Tn=^n∑k=1k/σk.     

关于随机变量的独立性

设X_1、X_2是定义在概率空间(Ω,F,P)上的、可测度量空间(s,S)中的两个随机元。对于A∈S,A的边界(?)A,若P(X∈(?)A)=0,称A为X的连续集。易知X的一切连续集构成一个σ代数。定义对于随机元(X_1,X_2),(?)X_1的连续集A_1与(?)X_2的连续集A_2,若P(X_1∈A_1,X_2∈A_2)=P(X_1∈A_1),P(X_2∈A_2),称(X_1,X_2)对于连续集独立。对于连续集独立的随机元,不一定概率独立,例     

B值随机元的随机指标中心极限定理

本文讨论B值随机元的随机指标中心极限定理,证明了如下的结果:设B是2型空间(Spaceof Rademacher-type 2),{X_n,n≥1}是i.i.d.的B值随机元序列,S_n=sum from i=1 to n X_i,EX_1=0,E||X_1||~2<∞;{τ_n,n≥l}是取自然数值的实随机变量序列,τ是取正值的实随机变量,并且,则必存在B上的Gaussian测度γ,使得(S_(τ_n)/(τ_n)~(1/2))γ.     

过特定顶点集的S-圈与S-路

证明了下面两个结论 :(1)设G是k-连通的n阶图 ,k≥ 2 ,S V(G) .若对G[S]的任意 (k 1) -独立集X ,有 k 1i=1k i- 1k si(X)>n- 1,则G中有含S的全部顶点的圈 ;(2 )设G是 (k 1) -连通的n阶图 ,k ≥ 2 ,S V(G) .若对G[S]的任意 (k 1) -独立集X ,有 k 1i=1k i - 1k si(X) >n ,则对任意的 {u ,v}≤V(G) ,G中有含S的全部顶点的 (u ,v) 路 .其中 ,G是有限无向简单图 .X为G的 (k 1) -独立集 ,Si(X) ={v∈V(G) N(v) ∩X =i} ,si(X)=si(x) ,i∈ { 0 ,1,2 ,… ,k 1} .     

关于均匀钱币投掷过程的可达性

设样品空间Ω={0,1},{X_m,m≥1}为一列相互独立的具有相同分布的随机变量满足P(X_1=0)=P(X_1=1)=1/2.Ω_n=ΩXΩx……XΩ为Ω的n维乘积空间,Ω_n~k={(a_1,a_2,…,a_n)|(a_1,a_2…,a_n)∈Ω_1,sum from i=1 to n ai=k},k=0,1,2,…,n.对Ω_n中之每个元素A定义TA(X_1,X_2,…)=(?)易见T_A(X_1,X_2,…)就表示事件A在过程{X_m,m≥1}中首次出现的时间。设A,B为Ω_n中任意二个不相同的元素,如果P(T_A相似文献   

两参数逆威布尔分布顺序统计量的矩及渐近分布

设{X_k,1≤k≤n}独立同分布,X_((1)),X_((2)),…,X_((n))为其顺序统计量,当总体服从参数为(m,η)的逆威布尔分布时,得到其顺序统计量的概率密度、高阶矩和方差的表达式.证明了样本间隔不独立且不同分布,当k(k1))固定时,得到顺序统计量X_((n-k+1))和X_((n))的渐近分布,最后给出一个关于并联系统寿命的应用实例.     

(n,k)-星图的嵌入连通度

星图S_(n,k)的h-嵌入连通度ζ_h(S_(n,k))(h-嵌入边连通度η_h(S_(n,k)))被定义为顶点子集(边子集)的最小基数,如果存在,将其删除后Sn,k不连通而且连通分支的每个顶点都位于h-维的子网络Sh,l,其中0≤h≤n-2且l≤k.本文研究了星图S_(n,k)的h-嵌入(边)连通度,对于k=2,3和0≤h≤n-2,确定了ζ_h(S_(n,k))和ηh(S_(n,k))的值.     

一类重尾分布下的随机游动及其在保险理论中的应用

研究了一类推广的随机游动即Sn=sum from i=1 to n Xi,其中Xi(i≥1),为一列独立同布的具有有限负均值的随机变量序列,Xi～F(i≥1),且-∞<μF<0.主要研究了F属于控制变化尾族时,P(Au>x)的渐近性质,其中Au=sum from k=1 to τοu Lk-u及τuο={n:τn=Tu},并应用其在保险理论中得到一些结果.     

具有随机足标的强相依正态序列部分和与最大值的联合极限分布

设X1,X2,…是标准化的平稳正态序列.Mn=max1≤i≤nXi,ρn=EX1Xn+1,Sn=∑ni=1Xi,{N(n)}是一列取非负整值的随机变量,且N(n)nPη>0,η为随机变量.在ρn和(ρn·logn)-1都单调趋于0的条件下,得到了MN(n)和SN(n)的联合极限分布.     

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。     

次序统计量分布的参数识别

设x_1,x_2,…,x_n是n个相互独立的随机变量,第k个(1≤k≤n)次序统计量x(k)的分布是否能唯一决定每个随机变量x_i(i=1,2,…,n)的分布,当k=n时,Anderson TW等对一定类型的随机变量作出了肯定的回答。本文将对一定类型的相互独立同分布(i.i.d.)的随机变量,研究k为任意正整数(1≤k≤n)时上述提出的问题。     

完全分配的拓扑共生格的连通性

本文研究了完全分配的拓扑共生格的连通性.得到了下列主要结果:①若 F:(L_1,S_1) →(L_2,S_2) 是(S_1,S_2) 连续序同志(函数),且 D∈L_1是 S_1-连通元,则 F(D)是 S_(2-)连通元;②在(L_1S)中,若 C 是 S-连通元,且(C≤D≤■,则 D 是 S-连通元:③若{(L_1、 S_1) |i∈I}是一族完全分配的拓扑共生格,则■_I(L_i,S_1) 是连通的■■i∈I,(L_i,S_i)是连通的.     

独立Pareto元件构成系统的随机比较

设X1……,Xn是独立的随机变量,Xi～Pareto(α,βi),i=1,2,…,n.令Y1,…,Yn是另一组独立的随机变量,Yi～Pareto(α,γi),i=1,2,…,n.假设β- γ.研究了最小的次序统计量X1:n.和Y1:n之间的随机比较,特别,当n=2时,证明了(X(2)|X(1)=x)关于x随机递增,并且证明了(X(2)| X(1)=x)≥st(Y(2)|Y(1)=x).     

NA随机变量随机和的差的精确大偏差

【目的】研究由两类保单构成的随机和的差N1(t)∑j=1X1j-N2(t)∑j=1X2j的相依风险模型,该风险模型中第一类保单{X1j,j≥1}是一个负相协(Nagatively associated,NA)随机变量序列,{X2j,j≥1}是一个独立的随机变量序列,{N1(t),t≥0}和{N2(t),t≥0}是两个计数过程。【方法】采用类似求独立随机变量随机和的差的精确大偏差的渐近极限方法,研究了NA随机变量随机和的差的精确大偏差问题。【结果】引入一些假设条件,得到如下的一致渐近极限结论,即:对于任意固定的γμ2,有limt→∞supx≥γ(λ1(t))p+1|P(N1(t)∑j=1X1j-N2(t)∑j=1X2j-(μ1λ1(t)-μ2λ2(t))x)/λ1(t)F1(x)-1|=0。【结论】推广了独立随机变量随机和的差的精确大偏差的相应结论。