非1-1对应时连续型随机变量函数的概率密度

现有的求解连续型随机变量函数的概率密度公式,要求随机自变量X的取值域(或经划分后各子域)与在变换y=g(x)下的值域1-1对应。这个条件是苛刻的,许多变换函数都不满足。文中推出了取消这个条件后,连续型随机变量函数的概率密度求解公式,并进行了应用举例,使得更多的连续型随机变量函数的概率密度得以求解。     

草图法在求解Z=X＋Y的概率密度中的妙用

一、命题 设连续型随机变量（X,Y）的概率密度为f（x,y）,且X和Y相互独立,则Z=X＋Y的概率密度为     

连续型分布的一点注记

利用已知随机变量Y及其分布函数FY(y),导出了以FX(x)为分布函数的随机变量X与Y的关系式,并得到了常用连续型分布和其标准分布之间的关系。     

双下标随机变量顺序统计量和的强大数定律的一个注记

论证了双下标离散型随机变量和 1n2 ni=1 i X( n)i 的强大数定律 ,结论表明离散型随机变量和连续型随机变量所得结果是不同的     

例谈连续型随机变量独立性的一种判别方法

教材上常说：连续型随机变量X与Y相互独立的充要条件是密度函数可分离变量．但有许多例子,随机变量（X,Y）的密度函数虽然“可分离变量”,X与Y却不相互独立．本文对这一模棱两可的问题进行了分析．     

二维连续型随机变量独立性的判定

给出了二维连续型随机变量独立性的一个判定定理、两个推论,并举例说明用此结论判断二维连续型随机变量的独立性时,不需要计算边缘密度函数,只从联合概率密度的形式上就能判断出X与Y的独立性。     

利用Cauchy-Schwarz不等式估计回归系数

根据随机变量情形下的Cauchy-Schwarz不等式,推广得到关于二阶矩的推论:随机变量X、Y的方差均存在且不为零,如果随机变量X、Y依概率1具有线性关系P{Y=aX+b}=1,则a=E(X-EX)(Y-EY)/E(X-EX)2,b=EY-aEX,同时给出线性回归问题中回归系数的一种矩估计法.     

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).     

关于分布的特征问题的一点注记

Patil,G.P.和Seshadri,V.在(1)中证明了离散分布的一个很一般的结果,此即定理1:设X.Y是独立的离散型随机变量;且c(x;x y)=p(X=x|X Y=x y)若,其中h是一个非负函数,则     

随机向量函数分布密度的直接计算公式

已知连续型随机向量(X,Y)的分布密度f(x,y),求函数Z=g(X,Y)的分布密度,在理论上並无困难,可用分布函数法或随机向量的变换解决,但在实际计算时,常常不容易。下面得到的公式,在相当一般的条件下建立了直接用f(x,y)表达fz(z)的公式,不仅容易掌握,概率意义也十分明显。用以处理一般导出分布问题,包括著名的x~2—分布,t—分布,F—分布,都比传统方法简便得多。     

关于随机独立性和回归独立性的几个命题的证明

有3种情形来描述随机变量X和Y之间的关系：（i）X和Y随机独立；（ii）Y回归独立于；（iii）X和Y不相关。主要证明了：1）若X和Y随机独立，则Y回归独立于X；2）若Y回归独立于X，则X和Y不相关；3）若X和Y均为两值随机变量或（X，Y）服从二维正态分布，则三种情形等价。同时得到一个推广：设Y为两值随机变量，X是离散型随机变量，若Y回归独立于X，则X和Y随机独立。     

φ-混合下回归函数改良核估计的一致强相合速度

考虑非参数回归模型Yi=r(Xi) εi,1≤i≤n ,(Xi,Yi)是 φ -混合的随机变量 ,取值于R×R ,且 (Xi,Yi)d=(X ,Y) ,考虑回归函数r(x) = (Yi｜Xi=x)的改良核估计的一致强相合速度 .在与独立随机变量情形Nadaraya -Watson估计的结论相近的条件下 ,达到了回归函数估计的一致最优速度     

微分法在求多维连续型随机变量函数的概率密度中的应用

多维连续型随机变量的分布函数F(x1 ,… ,xn)与密度函数f(x1 ,… ,xn)的关系是 n x1 … xnF(x1 ,… ,xn) =f(x1 ,… ,xn) ,dF(x1 ,… ,xn) =f(x1 ,… ,xn)dx1 …dxn.利用这一关系给出了用微分法求多维连续型随机变量函数的概率密度的方法及实例 ,在许多情形下 ,它比通常的方法要简单一些     

回归函数的混合型核估计的一致强收敛速度

设(X,Y)为取值于R~d×R~1的随机变量,(X_i,Y_i) i=1,2,…,n是取自(X,Y)的i·i·d·的样本,E|Y|<∞.用m(x)=E(Y|X=x)表示回归函数。m(x)的一种重要的核估计是Stone(1977)提出了一种把经典的最小二乘估计与非参数的权函数估计结合起来去估计m(x)的方法。在这篇文章里,讨论了把上述核估计与最小二乘估计结合起来所得的m(x)的混合型核估计的强一致收敛速度。     

二维随机变量和乘函数分布的图形计算法

介绍了借助图形计算二维连续型随机变量(x,y)的函数z=x y和z=x.y的分布函数的方法。     

判定连续随机变量独立性的两个充要条件

对二维连续随机变量(X,Y),从联合密度函数和联合分布函数两个方面,得到了X,Y独立的两个充要条件,然后给出了应用,最后,把结果推广到了多维随机变量(X1,X2,?,Xn)的情形,给出了判定X1,X2,?,Xn独立性的两个充要条件。结果改进了原来的方法,使得判定连续随机变量独立性变得简便易行。     

关于Banach空间中可微映象的一个注记

E是赋范空间 ,Y是Banach空间 ,g∶Ω E→Y是Fr啨ｃｈｅｔ可微映象 ,这里Ω是开的 ,作者得出 :对任意给定的v ∈Y ,y∈X ,存在u ∈Y ,使得 g(x0 +h(y +Lu) ) =g(x0 ) +h[g′(x0 ) (y+Lu) ]+h(v -h) ,这里L∶Y →X线性连续 ;这一结论在研究二阶微分方程不变流问题中起着重要作用 .     

随机变量函数的分布问题

研究n个随机变量函数的分布问题。(1ξ,2ξ,…,nξ)是n维连续型随机变量,n元函数y=f(x1,x2,…,xn)有连续的一阶偏导数,对n个随机变量1ξ,2ξ,…,nξ的函数η=f(1ξ,2ξ,…,nξ),给出了η的密度函数φη(y)的分析式。从根本上解决了随机变量函数的分布问题。     

Copulas于二维样本极值概率积分变换分布分析中的应用

借助于Copula这一工具对在具有联合分布H(x,y)的二维总体(X,Y)经概率积分变换得到的随机变量H(X,Y)的分布函数K(V)给定条件下,求出关于次序统计量X(n)=max{X1,X2,…,Xn}和Y(n)=max{Y1,Y2,…,Yn}经概率积分变换得到的随机变量Hn(X(n),Y(n))的分布函数Kn(v)的方法进行了研究,并找出了Kn(v)不随样本容量n变化的情形,进而得到了较准确地刻画二维R.V相依性的相关性指标Kendall's τ.     

多元随机变量函数f(X,Y)(依概率)的最优幂级数逼近

将一元随机变量函数f(X)(依概率)的最优幂级数逼近的若干结果进行了推广。论证了多元随机变量函数f(X,Y)在上述意义下的几个充分条件及其推论。