随机变量变换分布的若干推论及应用

给出了随机变量变换分布的三个推论，这些推论提供了在不同变换下求二维随机变量的函数的概率密度的计算公式，实例应用表明，这些公式应用简便，灵活，实用．     

谈二维随机变量的函数的分布函数

设二维随机变量 (X,Y)的概率密度为 f (x,y) ,二维随机变量的函数是 U =U(x,y) ,则U的分布函数为FU(u) =P{ U≤ u} = Gf (x,y) dxdy,G:u(x,y)≤ u,(-∞ 0 .将此…     

随机变量独立性的简易判别法

给出二维随机变量独立性的一个简易判别法，证明其存在的合理性，并将其推广至n维随机变量及其函数独立性的判别．     

基于对称随机变量构造的反例

应用相关文献中对称随机变量分布函数的充要条件,阐明连续型对称随机变量概率密度的偶函数特点,以及对称随机变量的不相关性,构造一些教学反例.     

既非离散又非连续的随机变量

讨论既非离散又非连续的随机变量,总结这类随机变量分布函数的特点,由此可进行这类随机变量类型的判定.通过举例给出既非离散又非连续型随机变量数学期望的求法.     

关于二维连续型随机变量线性组合的概率密度

由二维连续型随机变量和的分布的概率密度推广得到二维连续型随机变量线性组合的概率密度.     

二维随机变量和谐度量函数及其应用

本文讨论基于二维随机变量递增速度快慢的刻画及描述问题.引入和谐函数的概念,并利用和谐函数对二维随机变量和谐度量指标的定义进行改进,使得对二维随机变量之间和谐关系的研究更进一步.此外,借助于连接函数得到和谐函数的性质和计算公式,并将其应用到具体实例,借助和谐函数的图形进一步验证和谐函数的性质和主要结论.     

二维连续型随机变量函数的分布密度的计算

二维连续型随机变量函数的密度函数的计算既是概率论教学中的一个重点,又是一个难点.本文介绍了一般二维连续型随机变量函数的分布密度的计算方法,并给出了一个新的方法——密度函数转化法.     

一个著名特殊函数恒等式的多元推广及其概率证明

将贝塔函数和伽玛函数推广到多元情形,利用随机变量的独立性和概率密度变换公式,得到广义贝塔函数和广义伽玛函数之间的一个重要关系式,它是贝塔函数与伽玛函数关系式:B(a,b)=(Γ(a)Γ(b))/(Γ(a+b))(a0,b0)的推广,还得到一些更加一般的积分恒等式.     

判定二维随机变量服从正态分布的一个充分条件

探讨了二维随机变量服从正态分布的一个充分条件.在两个不相关的随机变量的任意正整数线性组合都是正态随机变量的条件下,利用矩生成函数证明了它们分别服从正态分布,且联合分布也是二维正态分布.     

一类由一维概率密度函数构造多维概率密度函数的方法

将文献[1]给出的由一维连续型随机变量的概率密度函数构造二维连续型随机变量的概率密度函数的方法,推广为由一维连续型随机变量的概率密度函数构造三维连续型随机变量的概率密度函数的情况,并作出了证明和举例说明.说明利用本文的方法构造多维概率密度函数,其方法简单易行.     

谐和与随机噪声联合作用下Duffing振子的双峰稳态密度

研究Duffing振子在谐和与随机噪声联合作用下系统响应的双峰稳态概率密度问题．用多尺度法分离了系统的快变项,得到了系统慢变项满足的随机微分方程．用线性化方法求出了双峰稳态概率密度的表达式．数值模拟表明提出的方法是有效的．     

随机变量函数概率密度的定点算法

利用曲线积分和曲面积分作为工具,导出计算随机变量函数的密度函数的一种定点算法,并借助实例说明相应计算公式的应用.     

基于输入-输出数据的概率分布和数字特征

利用模糊推理建立了一种基于输入-输出数据构造联合概率密度函数的方法.首先,将一组单输入-单输出数据转换成模糊推理规则,通过选择适当的模糊蕴涵算子生成模糊关系,再利用这种模糊关系求出二维随机变量的联合概率密度函数.当将模糊蕴涵分别取为Larsen蕴涵和Mamdani蕴涵时,分别得到了两种具体的概率密度函数(称之为Lars...     

可调激活函数递进提升输出维的选参方法

针对一类变参数 Sigmoid可调激活函数构成三层前向神经网络 ,分析其可调激活函数中参数所表示意义 ;给出了递进提升输出向量空间维数的可调变参数激活函数中参数选取的方法 ,解决了隐含神经元采用相同激活函数限制了神经网络逼近能力这一问题 .其目的给人们在采用变参数可调激活函数神经网络解决问题时 ,如何选取激活函数中的参数提供了一种数学依据和方法 .     

New maximum entropy-based algorithm for structural design optimization

A new algorithm based on nonlinear transformation is proposed to improve the classical maximum entropy method and solve practical problems of reliability analysis. There are three steps in the new algorithm. Firstly, the performance function of reliability analysis is normalized, dividing by its value when each input is the mean value of the corresponding random variable. Then the nonlinear transformation of such normalized performance function is completed by using a monotonic nonlinear function with an adjustable parameter. Finally, the predictions of probability density function and/or the failure probability in reliability analysis are achieved by looking the result of transformation as a new form of performance function in the classical procedure of maximum entropy method in which the statistic moments are given through the univariate dimension reduction method. In the proposed method, the uncontrollable error of integration on the infinite interval is removed by transforming it into a bounded one. Three typical nonlinear transformation functions are studied and compared in the numerical examples. Comparing with results from Monte Carlo simulation, it is found that a proper choice of the adjustable parameter can lead to a better result of the prediction of failure probability. It is confirmed in the examples that result from the proposed method with the arctangent transformation function is better than the other transformation functions. The error of prediction of failure probability is controllable if the adjustable parameter is chosen in a given interval, but the suggested value of the adjustable parameter can only be given empirically.     

Estimation du mode dans un espace vectoriel semi-normé

We investigate a nonparametric estimate of the mode of a density function of a random variable taking values in a semi-normed vectorial space of eventually infinite dimension. The strong consistency of the estimate is shown. Special attention will be paid to apply our result to the case where the probability distribution of our random variable satisfies a concentration condition. To cite this article: S. Dabo-Niang et al., C. R. Acad. Sci. Paris, Ser. I 339 (2004).     

计算数学期望和概率的条件化方法

借助于条件数学期望和随机事件A的示性函数IA,通过对随机变量的适当"条件化"处理,应用全期望公式和推广的全概率公式,讨论了计算数学期望和概率的条件化方法.     

依概率收敛与依分布收敛的关系

本文探讨了随机变量序列依概率收敛与依分布收敛的关系 ,并给出了一个依分布收敛能保证依概率收敛的最弱的条件 ,即 :设分布函数列 { Fn(x) }弱收敛于连续的分布函数 F(x) ,则存在随机变量序列{ξn}和随机变量ξ,它们分别以 { Fn(x) }和 F(x)为其对应的分布函数列和分布函数 ,且 {ξn}依概率收敛于ξ.