双参数指数分布顺序统计量的概率分布性质

设[Xk,1≤k≤n]独立同分布,X（1）≤X（2）≤…≤X（n）为其顺序统计量,当总体服从双参数指数分布exp（μ,σ）时,得到了其顺序统计量的联合概率密度函数和极端顺序统计量的密度函数,进一步得到X（1）和X（n）的期望与方差的表达式.此外还证明了样本间距X（1）,X（2）-X（1）,…,X（n）-X（n-1）独立不同分布,利用样本间距构造一组独立同分布的指数分布exp（1）,借助顺序统计量还构造了x2和F两组概率分布.最后研究了统计量极差Rn=X（n）-X（1）的概率分布.     

极值的r阶矩与底分布的关系

设X_n~(1)≤X_2~(2)≤…≤X_n~(n)是n个具有公共分布函数共场所F(X)的独立随机变量的顺序统计量,而Y_n~(1)≤Y_n~(2)≤…≤Y_n~(n)是n个具有公共分布函数G(x)的独立随机变量的顺序统计量,0≤r≤1,integral from (-∞) to (+∞)|x|~r(dF(x))<+∞,integral from (-∞) to (+∞) |x|~r(dG(x))<+∞, 在0相似文献   

多用户系统中的死锁问题

在多用户操作系统中 ,关键是支持并发进程调度、提供进程同步和通信机制 .无论是相互通信的进程还是共享不同类型资源的进程 ,都可能因通信顺序或资源分配顺序不当而造成死锁 .致使各种并发进程等待资源而永远不能继续向前推进 ,严重地危害了系统的可靠性 .通常我们把系统死锁描述为 :一组并发进程X1 ,X2 ,X3,… ,Xn,共享资源Y1 ,Y2 ,Y3,… ,Ym(n >0 ,m >0 ,n >m) .每个Xi( 1≤i≤n)拥有资源Yj( 1≤j≤m) ,直到再没有其它剩余资源 ,各Xi 又在不释放Yj 的情况下 ,要求得到Yk( 1≤k≤m ,k≠j) ,从而造成资源的相互保持和相互等待 .若无…     

关于随机变量独立性的一个反例研究

独立性是概率论与数理统计课程中贯穿始终的一个重要概念.采用容量为2自由度为n的t分布总体的样本的次序统计量,说明两个不独立的随机变量,其函数可以是独立的,也可以是不独立的,并就其次序统计量的间隔做了进一步的分析研究.     

两个数论函数的混合均值

对任意的非负整数n,著名的F.Smarandache LCM函数SL(n)定义为最小正整数k,使得n[1,2,…,k],其中[1,2,…,k]表示1,2,…,k的最小公倍数.利用初等方法研究函数SL(n)与最大素因子函数p(n)在简单数集中的加权均值分布,并给出一个有趣的加权均值分布的渐近公式.     

关于Smarandache LCM函数及Smarandache函数SM(n)的混合均值

设n为正整数,F.Smarandache LCM函数SL(n)和函数SM(n)定义为:SL(1)=1,SM(1)=1,当n>1,并且n的标准分解式为n=p1α1p2α2…pkαk时,SL(n)=max1≤i≤k{pαi i},SM(n)=max1≤i≤k{αi.pi},利用初等方法及素数的分布性质研究函数(SL(n)-SM(n))2的均值性质,并给出了一个有趣的渐近公式。     

巴拿赫空间中Ishikawa过程非扩张映射不动点逼近

X是一致凸巴拿赫空间,其对偶空间X*有KK性质.C是X的有界闭的凸子集.TC→C是一非扩张映射.证明对于任意初始假设x0∈C,通过xn+1=tnT(snTxn+(1-sn)xn)+(1-tn)xn,n=0,1,2,…定义的Ishikawa迭代弱收敛到T的不动点,其中limsupn→+∞ sn≤1,{nk}+∞ k=0是满足∑+∞ k=0 tnk(1-tnk)发散的{n}+∞ n=0的子列.由此证明Zeng[6]的定理,Tan和Xu[3]的定理1,Reich[5]的定理.条件"X*有KK性质"比文献[6]中的"有Frechet导数模"严格地弱也被强调.     

关于Smarandache函数的混合均值

对任意的非负整数n,著名的Smarandache LCM函数SL(n)定义为最小的正整数k,使得n/[1,2,…,k],其中n/[1,2,…,k]表示1,2,…,k的最小公倍数.而函数U(n)定义为最小的正整数k,使得n≤k(2k-1),即U(n)=min{k∶n≤k(2k-1),k∈N}.通过利用初等和解析方法,研究复合函数SL(U(n))的均值,得到了一个有趣的渐近公式.     

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。     

关于柱图Cλ(Pn)的细分图的k-优美性

一个简单图G=(V,E)是k-优美的(k≥1为整数),如果存在单射f:V(G)→{0,1,2,…,｜E｜+k-1}使得对所有的边uv∈E(G),由f*(uv)=｜f(u)-f(v)｜导出的映射f*:E(G)→{k,k+1,…,｜E｜+k-1}是双射.若G是简单图,且在G的所有相邻的两个顶点之间都加入一个顶点,则所得到的图称为G的细分图,该文证明了当λ≥2,n≡0(mod2)时,Cλ(Pn)的细分图Cλ(Pn)是k-优美图.     

NA随变量序列的Fuc—Nagaev型不等式

本文给出ＮＡ随机变量序列的一些概率不等式,进一步推广了文「１」「２」中的一些结果。     

行为NA的随机变量阵列加权和的收敛性

利用NA随机变量序列的矩不等式,得出了行为NA的随机变量阵列加权和在Cesáro一致可积条件下的Lr收敛性和弱大数定律,以及在弱于Cesáro一致可积条件下行为NA的随机变量阵列加权和的完全收敛性,推广和改进了目前该方面的主要结果.     

NAr.v.部分和收敛速度的推广（英文）

本文讨论了NA r.v.序列部分和的收敛速度,将独立情形相应收敛速度的结果推广到NA随机变量.     

NA序列部分和之和的中心极限定理

研究随机变量序列的部分和之和Tn=sum from i=1 to n(Si)(其中Sn=sum from i=1 to n(Xi))的极限性质,对强平稳NA序列,且EXi=0的条件下,获得了ETn2的稳定公式,并在此基础上,研究了其中心极限定理成立的条件,最后得到强平稳NA序列Tn的中心极限定理.     

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.     

NA阵列行和最大值的BAUM-KATZ大数律的精确渐近性

讨论了NA阵列行和最大值的BAUM-KATZ大数律的精确渐近,给出了∑n≥1nr/p-2 P〔max1≤j≤kn|Sj-ESnj|≥εn1/p〕∑n≥1n/1p〔max1≤j≤k|snj-ESnj|≥εn1/p〕在p阶ces、aro一致可积的相关条件下,当ε→0时的精确渐近性.     

NA序列部分和之和的一类大数定律

从文献 [4]中NA随机变量序列部分和Sn= ni =1 Xi 的大数定律存在条件出发 ,从而得到了NA随机变量序列部分和之和Tn= ni=1 Si 的一类强弱大数定律     

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．     

NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计，利用同分布负相协（NA）样本构造了经验Bayes（EB）估计量，并在适当的条件下获得（EB）估计的速度．     

双指数分布位置参数的经验Bayes检验问题：NA样本情形

讨论了双指数分布位置参数的经验Bayes（EB）检验问题，利用同分布NA样本构造了EB检验函数，在适当条件下证明了EB检验函数的渐近最优性并获得了其收敛速度．