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。     

广义Γ分布的Pearson-x2距离及其渐近性

利用Pearson-x2距离和最大距离的定义,首次探讨了广义Γ分布的Pearson-x2距离及其渐近性,并作为特例得到了Γ分布、Weibull分布、指数分布的Pearson-x2距离及其渐近性.     

与F分布有关的二阶偏导数之性质

运用对无穷级数的一些运算组合及分析,并结合Γ函数对数微商公式,深入分析与Γ函数有关的一些特殊函数的性质,揭示了参数变化时F分布密度函数的极值先减后增的性质.本文的方法和结论在研究概率密度函数的性质时有重要作用,比如它可以判断密度曲线高度的变化趋势.     

与F分布有关的偏导数之性质

运用对无穷级数的一些运算组合及分析,并以Γ函数的对数微商公式作工具,深入分析了与Γ函数有关的一些特殊函数的性质,论证了与F分布有关的偏导数之性质,揭示了参数变化时F分布密度函数的极值先减后增.本文的方法和结论在研究许多概率密度函数的性质时有重要作用,比如它可以判断密度曲线高度的变化趋势.     

Γ函数在概率中的应用

阐述了Γ函数的定义及其特殊性质,并就如何利用Γ函数的特定性质解决概率应用中的一些特定问题进行了探讨和分析.分析证明:应用Γ函数收敛的性质,可求解概率积分值;可求解威布尔(Weibull)分布的期望、方差;可表征F分布分布的密度函数.这些分析及其结论对于Γ函数的具体应用,对于求解概率论中的一些具体实用问题具有重要的参考价值.     

Γ-分布及其渐近性质

本文简叙了Γ-分布及其几个主要特征,利用概率论中的极限定理,找到了Γ-分布的一个渐近性质.     

统计分布形式上的统一和各种分布相应的方程

基于已知的公式,我们得到了形式上统一的巨配分函数及相应的各种量。n=1是Fermi-Dirac统计,n=-1是BoseEinstein统计,n→0是Maxwell-Boltzmann统计。进一步,我们讨论了高能时统一统计性的Γ分布与低能时分布间中插的Q分布y=cx~(a-1)/(e~(βx) n)。这里n可以是任意数。最后,我们得到Q分布的方程。而Γ分布,B分布,Polya分布,Z分布及U分布都对应一般的Pearson方程;二阶时是yy″-a(x)(y′)~2-b(x)y~2=0。     

条件Γ-分布的单参数加法定理的推广

在研究只允许部分服务台进入休假状态的多服务台MMc排队系统时,发现了条件Erlang分布的双参数加法性质,进一步研究发现它对Γ分布也成立。设X(α)和Y(β)服从参数(α,λ)和(β,μ)的Γ分布,且相互独立,证明了在X(α)相似文献   

定数截尾试验下Pareto分布参数的条件Γ-minimax估计

在定数截尾试验下,假设Pareto分布尺度参数α为已知,当形状参数θ的先验分布在分布族Γ₁和Γ₂上变化时,研究了在对称熵损失函数下,Pareto分布形状参数θ的稳健Bayes估计——条件Γ-minimax估计问题。并利用Monte-Carlo方法进行了模拟,结果表明,条件Γ-minimax估计具有较好的后验稳健性。     

至多一个变点的Γ分布的统计推断

对至多一个变点的Γ分布,即X1,…,Xn为一列相互独立的随机变量序列,且X1,…,Xk0 i.i.d～Γ(x;ν1,λ1),Xk0+1,…,Xn i.i.d～Γ(x;ν2,λ2),其中k0未知,称k0为该序列的变点.借助Gauss过程理论和滑窗方法,利用第一型极值分布逼近本文提出的统计量的分布,给出了检测变点k0的程序和变点的区间估计.最后对文中提出的统计量进行模拟并分析.     

广义半整数不完全伽玛函数及其应用

对广义不完全伽玛函数Γ(α,z;b)的性质进行了研究并得到一系列结果.特别是Γ(α,z;b),α=n+1/2,n=0,±1,±2,…的闭形式仅由误差函数表示.通过递推公式,给出了Γ(α±n,z;b),n=1,2,…的显式表示.     

分布函数ψ（α,β）及其性质的研究

给出了具有多参数的随机分布函数ψ(α,β)，并进一步推广到ψ(α,β)分布，证明了ψ(α,β，σ，ρ)的几个重要性质，推出几个常见的分布是ψ(α,β，σ，ρ)的特殊形式，从而确认该函数是概率统计学科上许多常见的重要分布的高度抽象和概括的通式。     

利用Γ函数求某些概率分布的K阶矩(英文)

利用Γ函数及其有关性质对标准正态分布和一类指数分布的K阶原点矩给出了一个简单的算法,并举例说明该算法的应用。     

污染分布密度函数的一种估计方法

讨论观察数据来自污染分布f(x)-(1-α)f1（x) αf2(x)时的非参数推断问题。当厂f2(x)已知，污染系数α和密度函数f1(x)未知时，采用非参数的核密度估计方法，给出f1(x)及α的估计。证明了^↑f1n(x)和^↑αn分别是f1(x)和α的相合估计，并对正态分布的特例作了随机模拟。     

Beta,Gamma随机变量之商的分布及其应用

本文推导了独立的Beta,Gamma变量之商的概率密度函数,它们可表为Meijer的G-函数。这两个Meijer G-函数有精确的解析表达式。当β-分布β(F,S)的参数F,S及Γ-分布Γ(z,τ)的参数z为正整数时,上述结果可直接用于解决寿命为指数分布及二项试验时的环境因子的统计估计问题。     

一类特殊Z分布的渐近分布

通过对Fisher-Z分布进行适当分解, 利用截尾法研 究Z分布的近似分布. 证明了当Z分布中的两个参数m和n都为正整数, 且m/(m+n) →α(m,n→∞, 0<α<1)时的渐近分布为正态分布. 作为特例, 说明了某类F分布的渐近分布 也是正态分布.     

Γ函数与B函数的性质及其应用

Γ函数与B函数是含参变量积分,它们统称为欧拉积分,在数学分析和概率统计中有着广泛的应用。本文系统论述了Γ函数与B函数的概念、性质、关系并给出了详细的证明,进而揭示出解决问题的关系和规律。     

马尔可夫过程的几可乘泛函及伴随的转移概率变换

§1引言本文沿用[1]、[2]中的记号和定义.设α_t(ω)(0≤t<ξ(ω))是齐次马尔可夫过程X=(x_t,(?),M_t,P_x)的几压缩几齐次几可乘泛函(详细定义见后),则(?)(t,x,Γ)=M_x(XΓ(xt)α_t)(t≥0,x ∈E,Γ∈(?))定义相空间(E,(?))上一转移函数.从直观看来,这相当于以一定的规律缩短原过程的生命而得到一新的转移函数,α_t 给出在时间区间[0,t]内生命不缩短的概率.(?)(t,x,Γ)对应的半群算子是     

变异系数的抽样分布及假设检验

变异系数是一项可靠性指标,它应用于既有结构的可靠性、医院统计及保险理论等方面,对变异系数进行假设检验具有现实意义。本文取自一般正态总体的子样,并利用样本均值X珔、样本标准差S和变异系数v=σμ的关系构造了一种含变异系数的抽样分布Z=v XS珔～z(v,n-1),同时给出了该分布的密度函数fZ(z)=(n 2-1)n2-1πv22nΓ(n 2-1)∫+∞0 yn-1 e-21[(n-1)y2+(yvz2-/1n)2]dy。本文给出一种对变异系数的小样本假设检验方法,根据该抽样分布及原假设成立的条件下确定检验统计量Z=v0 XS珔,然后利用统计量构造一个使备择假设成立的小概率事件,由此得出拒绝域或拒绝条件。     

指数分布的一个简易判定法

指数分布是统计与管理中的重要分布之一。若随机变量X满足下列条件: ρ{xx}=λΔx+0(Δx) 则可证明X服从指数分布,即X的密度函数具有下列形式: f(x)=λe~(-x) x≥0 0 z<0 但一个随机变量是否服从指数分布,通常采用x~2检验法或韦布尔分布的概率纸检验法,前者计算较烦,后者概率纸不易找到,而且结论可因人而异,比较粗糙。本文利用随机变量X的大样本观察值,给出指数分布的一个简易判定法。