两类离散风险模型的等价性

保险公司需要对发生了事故的投保客户进行赔付。假定考虑整数倍单位时刻i,i=1,2,＋，在时间区间（i-1,i]中即使发生多起事故，公司都在时刻i给予赔付，因而在时刻i可综合地视为发生了一次事故。在n个单位时间内，保险公司的赔付中以用2种模型来进行统计。第1种模型称之为A型：出了事故后立即赔付，第i次事故的赔付额为随机变量ξi，取值于（0，∞）且独立同分布，则n个单位时间内的赔付总额为∑N(n)i=1ξi，其中N（n)是n个单位时刻上出现的事故总数。第2种模型称为B型：每个单位时刻均赔付，随机变量Xi表示i时刻的赔付额，取值于[0,∞)且独立同分布，则n个单位时间内赔付总额为∑ni=1Xi，以随机过程论的观点严格地证明了2模型的等价性。     

NA样本均值的Bootstrap逼近

用Bootstrap法估计随机变量的概率分布广泛适用于样本为独立同分布情形.立足于考虑随机变量序列{Xn,n≥1}为NA相协样本条件下均值X-n的Bootstrap逼近问题,首先定义了强平稳组间独立的负相协样本,然后对样本分成k组情况下X-n的k个刀切虚拟值Yi(i=1…k)赋予质量1k,得到“经验分布函数Fk*,从F*k中抽取k个独立样本Y1*,…,Yk*,用n(Yk*-Xn)的条件分布去模拟n(Xn-μ)的分布,最后证明其相合性成立.     

LPQD大序列Baum—Katz和Davis数定律的精确渐近性

设{Xi,i≥1}是一严平稳零均量LPQD随机变量序列,0〈EX1^2〈∞,σ^2=EX1^2＋∑j=2^∞E（X1Xj）,并且0〈σ^2〈∞,令Sn=∑i=1^nXi,利用部分和Sn的弱收敛定理,证明了当ε→0时,∑n≥1n^r/p-2 P（｜Sn｜≥εn^1/p）,∑n≥11/nP（｜Sn｜≥εn^1/p）,∑n≥1（ln n）^δ/nP（｜Sn｜≥ε√n ln n）的精确渐近性．     

NA序列自正则加权和的几乎处处中心极限定理

设{X,X_n,n≥1}为严平稳的NA随机变量序列,{a_(ni),1≤i≤n,n≥1}为实数阵列,S_n=n∑i=1a_(ni)X_i,V_n~2=n∑i=1a_(ni)~2X_i~2.在适当的条件下,证明了NA序列自正则加权和的几乎处处中心极限定理.     

不同分布的BUTI的大偏差

主要研究了长尾上的带有BUTI的、不同分布的随机变量和的尾概率,得到了部分和和随机和的一致渐近的大偏差的结论,推广了已存在的相应结论.     

广义Fibonacci数列的极限

本文讨论了广义Fibonacci 数列{F}的极限问题,数列{F}由关系式:定义,当a≥0,│b│<1时,数列{F}收敛且与初始值F>0,l≤i≤K无关,同时也对文[1]中的猜想给出了圆满的回答。     

负相协重尾索赔模型有限时破产概率的弱渐近性(英文)

考虑索赔额为负相协随机变量序列、有共同分布属于控制变化尾分布族及长尾分布族的风险模型,研究了随机时间内破产概率的弱渐近性,得到了此类模型在随机时间内破产概率的一个渐近等价公式.     

同分布NA序列部分和之和的弱大数定律

论文研究了同分布NA随机变量序列{Xa}部分和之和Ta∑i=0^nSi(其中Sn=∑i=1^nXi)的弱大数定律,首先从弱大数定律成立的条件出发,给出了这类条件成立的三种等价形式,最后得到它的一个弱大数定律,从而与文献[4]中I．I．D列情形下的弱大数定律形成对照．     

Runge-Kutta方法的稳定性准则

本文讨论以(θ,P,q)稳定的s级Runge-Kutta方法按步长h求解Hilbert空间中的K_l,类初值问题时数值解的稳定性,证明了当1h≤P且r/h≤q时,任何二数值解{y_n}与{z_n}之差有估计:这里P.q.l.r是实常数,θ=(θ_1,θ_2,…,θ_s)~T是实s维矢量。其次本文提供了一个简便方法来获得适制的q值,使所给方法是(o,o,q)稳定的。     

非参数回归的L_1-Cross-Validation最近邻中位数估计的强相合性

考虑非参数回归模型Y_i=g(x_i)+e_i,i≥1,其中g(x)是待估计的连续函数,{x_i,i≥1}是非随机的,{e_i,i≥1}是iid随机误差,在本文中,我们讨论最近邻中位数估计(x)=m(Y_((i(1)),…,Y_(i(h~*)))=Yi(1),…,Y_(i(h~*))之中位数,其中h~*利用L_1—Cross—Validation方法选择,在一定条件下,建立了L_1—Cross—Validation最近邻中位数估计的强相合性。     

关于ρ—相关的随机变数序列的大数定律

§1.前言独立随机变数序列的大数定律,是独立随机变数和的极限理論的一部分,現已得到相当彻底的解决(見[3])。对非独立的情形,虽然目前研究得远不如独立情形那样完善,但已被一些学者所注意,其中有的以某种相关性概念代替独立性概念,並建立与独立随机变数序列的大数定律类似的結果(見[1])。本文考虑了ρ—相关的随机变数序列{ξ_n},在定理1中找到了一个使{ξ_n}服从弱大数定律的充分条件,这个結果及其推論,在某种意义上是馬尔柯夫定理、車貝謝夫定理和欣斤定理的推广(見[4]的§22)。 Erankx Ed得到这样一个結果(见[2]):設{ξ_n}为期望为o且一致有界的随机变数     

LPQD序列Baum-Katz和Davis大数定律的精确渐近性

设{X_i,i≥1}是一严平稳零均值LPQD随机变量序列,0相似文献   

剩余寿命的若干极限性质

设非负随机变量T₁,T₂,…,T_n,…独立同分布,分布函数F为连续,而{N(t),t ≥ 0}是以T₁,T₂,…为相继到达时间而产生的更新计数过程.本文求出了当t ≥ 0,s ≥ 0时,剩余寿命γ(t)与γ(t+s)的联合分布函数以及其混合矩当t,s→∞时的极限性态.结果表明t,s→∞时,γ(t)和γ(t+s)是渐近独立的.     

几类随机变量序列的大偏差估计

利用Markov等式和Cr-不等式,研究了在优化条件n∑i=1E|Xi|p=O(n)下的φ混合序列,负相协(NA)序列,渐近几乎负相协(AANA)序列的大偏差估计.     

最大(小)公约(倍)数相等的刻画

利用整数可逆矩阵给出了2组整数的最大公约数与最小公倍数分别对应相等的判别定理,得到主要结果为:设ai,bi∈Z(i=1,…,n,n∈Z+,n≥2),则(1)gcd{a1,…,an}=gcd{b1,…,bn}当且仅当存在n阶整数可逆矩阵P,使得(a1,…,an)P=(b1,…,bn),其中:gcd{c1,…,cn}表示整...     

用独立乘积空间构造相依随机变量的组装法

给出了一种利用独立乘积空间构造相依随机变量或相依随机过程的组装方法.首先,依照给定的条件,构造一些独立随机变量;然后,将独立随机变量进行组装,得到要求的相依随机变量.该方法的优点是:构造相依随机变量或相依随机过程时,不用算出联合分布或有限维分布族;研究它们时可以使用较方便的、简单的处理独立随机变量的方法;还可以给出一些随机过程存在性的概率的构造性证明.     

截尾变量均值和概率的矩界(英文)

对给定随机变量Xi∈[0,M](i=1,2)具有EXi=μi,EX2i=μ2i+σi2(i=1,2)和EX1X2=μ1μ2+σ12,得到了截尾变量max(0,X1-X2)的均值的矩界,还得到了概率的上界。这些问题来源于欧氏期权,欧氏互换期权等的研究。所用方法基于用二次函数控制待估函数。     

B—值随机变量序列尾和的重对数律

本文利用Ｌｅｄｏｕｘ和Ｔａｌａｇｒａｎｄ的Ｉｓｏｐｅｒｉｍｅｔｒｉｃ方法，将尾和形式的Ｋｏｌｍｏｇｏｒｏｖ重对数律推广到Ｂ－值随机变量序列情形，进而得到一般形式Ｂ－值随机变量序列的尾和重对数律，同时对独立同分布Ｂ－值随机变量序列得到了配重尾和的重对数律。     

关于限制广义逆的通式

给定A∈Cm×n,下列矩阵方程:(1)AGA=A,(2)GAG=G,(3)(AG)*=AG,(4)(GA)*=GA称为penrose方程.如果G满足上述方程(i),(j),…,则称G为A的(i,j,…)逆或penrose型广义型,简称广义逆,并记为A(ij…).其全体记为A{i,j,…}.设E∈Cp×n,F∈Cp×m.令S={X∈Cm×m|EX=F}.集合A{i,j,…}∩S中的元素,称为在限制条件S下的广义逆,其全体记为A{i,j,…,E,F}.首先讨论5类限制广义逆A{1,E,F},A{3,E,F},A{4,E,F},A{1,3,E,F}及A{1,4,E,F}存在的充分必要条件以及它们的通式,然后给出了限制广义逆A{1,2,E,F}存在的两个充分条件及其通式.     

一收敛数列的极限及其推广

给出数列{xn}:xn=sin1/2 +sin2/22+…+sinn/2n 求极限的一个简易解法,并利用此方法讨论了数列xn(θ,a)=n∑k=1sin(kθ),Xn(θ,α)=n∑k=1ksin(kθ)/ak和Ωn(θ,a)=n∑k=0(nk)sin(kθ)/ak的极限问题,从而简化了这几类数列极限的计算.