具有函数关系的随机变量的数学期望

本给出了数学期望的定义．在曲线分布密度基础上求出了具有函数关系的二维随机变量的数学期望；并证明了随机变量函数的数学期望的定理。     

最大数学期望的几个重要性质

最大数学期望与g-期望一样都是非线性的,这两种非线性的数学期望之间存在某些联系. 通过g-期望的性质或最大数学期望的定义得到了最大数学期望的某些重要性质.     

非正态随机向量分布密度函数的一个刻划

本文给出了所有边际分布是正态分布而联合分布不是正态分布的随机向量（ξ1,ξ2,…，ξn）的分布密度函数的一个刻划。     

一类函数的期望及应用

对一类单调可微的有界函数,利用相对变化率的概念,定义了一种由该函数生成的概率密度函数。讨论了有关数学期望的计算和性质,并给出了在函数上升或下降速度比较中的应用。     

条件数学期望平滑性质的某些推广及应用

从条件数学期望二个最基本的平滑性质入手,讨论了平滑性质的一些推广与应用,利用测度论中的基本方法给出了二个新的命题及其证明,并作了进一步的讨论。     

经验数学期望及其性质

在文[1]的基础上，给出了经验数学期望的定义，证明了经验数学期望是数学期望的一致估计，并讨论了经验数学期望与经验特征函数的关系。     

条件g-期望的重要性质

讨论了一类非线性条件数学期望(条件g-期望)的Levi引理、Fetoux引理、Lebesgue控制收敛定理和Jensen不等式,所得结果是条件数学期望相应理论的推广。     

最优投资决策问题的期望效益的数学表示

利用ITO公式和级数展开建立了最优投资决策问题的期望效益的一个数学表示，并由此给出了Merton关于最优投资决策问题的一个重要结果的简化证明，同时还给出了一个判断投资决策问题的最优停止时刻的充分条件．     

L-S积分变换定理与rv数学期望公式

章给出并证明了Lebesgue-Stieltjes(简写L-S)积分变换定理，进而研究了随机变量(简写rv)及其函数数学期望存在的条件与计算公式．     

可测函数的性质

可测函数是从测度观点来研究函数时所必然要考虑的一类函数,它一方面包含大家熟悉的连续函数作为特例,另一方面又在应用上和理论上具有足够的广泛性。文章从可测函数的定义入手,给出简单函数的定义,还有提了几个常见的简单函数,在此基础上将讨论可测函数的性质,比如任何非负可测函数都可以用单调递增简单函数逐点逼近,对于一般的可测函数来说也可以利用逐点逼近法,可测函数的收敛性,逐步进入可测函数的主要应用——积分领域。     

基于分布函数的数学期望与方差的简洁求法

在仅已知随机变量的分布函数求解数学期望与方差时,通常利用分布函数求出分布列或概率密度,再根据定义求出数学期望与方差,过程较为复杂.为了简化计算,本文针对非负整值离教型随机变量与连续型随机变量,从理论上推导出了基于分布函数直接求解数学期望与二阶原点矩的计算公式,并可间接用于方差的求解.连一步通过实例验证了此方法在一定场合下的有效性与简洁性.     

σ代数下给定函数的条件数学期望

本文以测度论为基础,从初等条件期望的定义出发,结合测度论的相关知识,给出了σ代数下给定函数的条件数学期望的定义.     

条件数学期望及随机变量函数的三角多项式级数展开

获得了如下结果:(1)条件数学期望及随机变量函数的三角多项式级数表达;(2)一个随机变量关于另一个随机变量的三角多项式的最佳逼近;(3)随机变量函数被随机变量三角多项式最佳逼近的阶.     

未确知函数的期望及其应用

在未确知函数的概念和运算的基础上，给出了未确知函数的条件期望和数学期望的定义，并通过实例介绍了它们的应用。     

局部密度函数的支持向量机估计法

研究了用局部密度函数表示连续型随机变量的未确知信息问题，给出了估计局部密度函数的支持向量机算法．     

离散随机变量数学期望的几种求法

从实践的角度,给出了计算离散随机变量数学期望的几种方法.     

随机微分方程的概率生成函数解法

讨论了当难以求出随机变量的分布函数时 ,如何研究随机变量的数学期望、方差、相关系数等数字特征的有关问题 ,利用概率生成函数与概率分布函数及相应的数字特征的关系 ,给出了概率生成函数为 gx( s) =∑∞k=0pksk时数学期望与方差的确定方法 ,并应用概率生成函数方法 ,证明了随机微分方程ddt Pk( t) =-λPk( t) λPk- 1 ( t)　 ( k≥ 1)在边界条件 ddt P0 ( t) =-λP0 ( t) ,P0 ( 0 ) =1,Pk( 0 ) =0 ( k≥ 1)之下的解为　 Pk( t) =1k!e-λt( λt) k　 ( k=0 ,1,2 ,… ) ,而随机微分方程ddt Pk( t) =-λk Pk( t) λ( k -1) Pk- 1 ( t)　 ( k >1)在边界条件 ddt P1 ( t) =-λP1 ( t) ,P1 ( 0 ) =1,Pk( 0 ) =0 ( k>1)之下的解为　 Pk( t) =e-λt( 1-e-λt) k- 1 .     

关于数学期望公式推广的一个注记

在文献[1]的基础上,得到了用分布函数表示的任意随机变量数学期望的计算公式,并通过一些特例说明了该公式在期望计算中的有效性。     

相对损失函数下期望向量的线性Minimax估计

设Y1,Y2,…,Yn,i.i.d.,EY1=β,CovY1=Σ这里β∈Rp,Σ>0均未知.在两种相对损失函数下,我们给出了线性估计在线性估计类中的唯一的线性Minimax估计.