分布函数列的一致收敛性

研究了函数列的一致收敛性问题.对狄尼定理的另一种形式的结果给出了证明,并将此结果应用于随机变量序列的分布函数列的一致收敛性研究,指出了中心极限定理的深刻结果,对t-分布的随机变量序列的极限分布给出了2种直接的证明方法.     

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.     

格子点加项的局部极限定理

关于相互独立随机变量之和向正态分布收敛的密度极限定理,许多作者已得到成果。但加项为格子点分布情况成果却很少。考虑随机变量组序列的情况,孙恩厚老师已得到一个关于密度的极限定理,对寻求向正态分布收敛的充分必要条件已提供一个前提。类似于孙恩厚老师的定理,根据格子点分布的特征函数是周期两数的特性,作者得到了加项为格子点分布的局部极限定理。在考虑相互独立随机变量序列的情况,类似于孙恩厚老师的另一密度极限定理(文献[3]),作者也得到了类似的结果,作为作者定理的推论。考虑相互独立随机变量组序列(即每列内各项相互独立)     

独立情形下一阶矩收敛的精确渐近性的注记

假设{X,X i,i≥1}为独立同分布的随机变量序列,记S n=∑n i=1X i.N为标准正态随机变量,利用独立随机变量和的弱收敛定理和尾概率不等式,在拟权函数和边界函数满足适当的条件下,证明了limε→0ε1/s-1∑∞n=n0ψ(n)E{Sn/n-(1/2)-εσgs(n)}+=sσ1-s E N1/s成立的充要条件是EX=0和EX2=σ2.     

NA列部分和乘积的极限定理

讨论NA列部分和乘积的中心极限定理和几乎处处中心极限定理,并将独立同分布(i.i.d.)随机变量序列的部分和乘积的几乎处处中心极限定理的权重由dn=exp(logαn)/n推广到dn=log(cn+1)/cnexp(logαn),0≤α1 2的情形,其中0cn→∞,limn→∞(cn+1)/cn=c∞.1     

NA序列部分和之和乘积的极限定理

设{X_n, n≥1}是一严平稳正值负相关(NA)随机变量序列, 满足EX₁=μ>0,  Var X₁=σ²<∞. 首先利用NA序列加权和的中心强极限定理和矩不等式证明, 其中N为标准正态随机变量; 其次, 对于边界函数和拟权函数给出NA序列部分和之和乘积的完全收敛性中精确渐近性的一般结果.     

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   

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     

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.     

中心极限定理及一个渐近性质

文章简叙了Γ-分布及其几个主要特征,利用随机变量的依分布收敛中心极限定理及矩收敛定理,以随机变量的特征2(nr)nr-12e-nr函数为工具,证明了一个渐近等式:limΓ(nr)=2π,并由此得到近似等式。当n充分大时,Γ(nr)≈2π.n→∞(nr)nr-12e-nr,当α=nr时,Γ(α)≈2παα-1e-α,由此得到Stirling公式。     

中心极限定理在社会保险中的应用

中心极限定理表明，数理统计中许多复杂随机变量的分布都可以用正态分布近似。本文通过两个具体的例子探讨了中心极限定理在社会保险中的应用。     

Banach空间值独立随机变量序列尾和的重对数律

本文描述了Banach空间值随机变量序列尾和的重对数律。证明了下面的定理:设{X_n,n≥1}是独立B-值随机变量序列,EX_n=0,E‖X_n‖~2=σ_n~2,sum from 1=1 to ∞σ_i~2<+∞,则条件(1)和(2)包含此批s_n~2=sum from i=n to ∞σ_i~2     

NA序列Chung型对数律的精确渐近性质

令{ξn,n≥1}为零均值严平稳的负相伴(NA)随机变量序列,满足Eξ12∞和0σ2=Eξ12+2∑k=2∞Eξ1ξk∞.记Sn=∑k=1n ξk,Mn=∑ k=1n|Sk|,n≥1.利用NA序列中心极限定理和概率不等式,对边界函数和拟权函数得到了Chung型对数律的精确渐近性质.     

关于当量工序能力指数c′_p的近似展开

在文[1]中已引进当量工序能力指数,并已推得其计算公式为c'_p=(1/3)φ~(-1){(1/2)[φ(((T/2)+E)/σ))+φ(((T/2)-E)/σ))]} (1) 其中,φ(·)为标准正态分布的分布函数,φ~(-1)(·)为其反函数,T为公差,E为偏离距,σ为当分布中心与公差中心一致时的标准差。本文讨论它的线性与2次及5次多项式的近似问题。     

关于当量工序能力指数c′_p的近似展开

在文[1]中已引进当量工序能力指数,并已推得其计算公式为c'_p=(1/3)φ~(-1){(1/2)[φ(((T/2)+E)/σ))+φ(((T/2)-E)/σ))]} (1) 其中,φ(·)为标准正态分布的分布函数,φ~(-1)(·)为其反函数,T为公差,E为偏离距,σ为当分布中心与公差中心一致时的标准差。本文讨论它的线性与2次及5次多项式的近似问题。     

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).     

正态分布参数函数的估计

讨论正态分布N(μ,σ2)的参数(μ,σ2)的函数θ=exp{aμ ba2}(a≥0,b≥0)的估计问题,给出了θ的最大似然估计及矩估计.在μ和σ2的先验分布独立时,在损失函数L(θ,a)=(θ-a)2和L(θ,a)=(θ-1×a-1)2下给出Bayes估计和最小最大估计.     

关于中心极限定理的注记

讨论了服从中心极限定理的复值随机变量序列及m元实值随机变量序列的性质，得到与中心极限定理有关的几个定理.     

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.     

ρ~--混合序列部分和之和乘积的几乎处处中心极限定理

设{X,Xn}n∈N为一严平稳的ρ--混合随机变量序列,利用混合序列加权和的中心极限定理及矩不等式,获得了权重为dk=k-1exp{logαk}(0≤α1/2)的ρ--混合序列部分和之和乘积的几乎处处中心极限定理.