Peng g- 期望下的大数定律

Peng 于1997 年通过倒向随机微分方程引入了一类性质很好的非线性数学期望, 即g- 期望. 本文中, 我们将给出Peng g- 期望下的弱大数定律与强大数定律.     

由Lvy过程驱动的BSDE定义的一般非线性期望

本文研究了平凡可积随机变量的一类非线性期望f-期望.利用陈增敬推广g-期望的方法,扩张了f-期望的定义空间.     

由Lévy过程驱动的BSDE定义的一般非线性期望

本文研究了平凡可积随机变量的一类非线性期望f-期望.利用陈增敬推广g-期望的方法,扩张了f-期望的定义空间.     

L~p空间中随机变量的g-期望与条件g-期望

利用倒向随机微分方程的Lp解定义了Lp空间中随机变量g-期望与条件g-期望,扩张了g-期望与条件g-期望的定义空间;证明了用Lp解定义的g-期望与文[5]用算子连续扩张方法定义的一般g-期望的一致性,得到了Lp空间中随机变量的g-期望与条件g-期望的一些性质.     

Lp空间中随机变量的g-期望与条件g-期望

利用倒向随机微分方程的Lp解定义了Lp空间中随机变量g-期望与条件g-期望,扩张了g-期望与条件g-期望的定义空间;证明了用Lp解定义的g-期望与文[5]用算子连续扩张方法定义的一般g-期望的一致性,得到了Lp空间中随机变量的g-期望与条件g-期望的一些性质.     

次线性期望下独立同分布序列的一般强收敛性

在Choquet积分存在条件下,研究并建立次线性期望空间中的独立同分布随机变量序列的一般强收敛性定理,从而将传统概率空间的一般强收敛定理推广到次线性期望空间中.我们的结果推广了MENG(2019)的相应结果,得到两个一般的强大数定律(SLLN),其中加权和的系数是一般函数,作为推论,我们得到独立同分布随机变量序列的Marcinkiewicz型SLLN、对数SLLN和Marcinkiewicz SLLN.     

次线性期望空间下END阵列加权和的完全收敛性

在Choquet积分存在的条件下,研究次线性期望空间下END阵列加权和的完全收敛性,将概率空间中END阵列加权和的完全收敛性推广到次线性期望空间.     

g-期望关于凸(凹)函数的Jensen不等式

在文[8]的基础上和彭实戈提出的关于g-期望的最基本的条件下,证明了g-期望关于凸(凹)函数的Jensen不等式在一般意义下成立当且仅当g是关于(y,z)的超齐次(次齐次)生成元且不依赖于y.     

半正定(半负定)二元函数基于g-期望的Jensen不等式

彭实戈通过倒向随机微分方程引入了g-期望的概念.在关于g-期望的最基本的条件下,提出并证明了:半正定(半负定)二元函数基于g-期望的Jensen不等式在非空数集S上成立当且仅当生成元g在S上是超线性(次线性)的.     

条件g-期望的矩不等式

找到了几个使条件g-期望的矩不等式在一般意义下成立的关于g和g-期望的充分条件.     

次线性期望下WA随机变量序列加权和的完全收敛性

在Choquet积分存在的前提下,用不同于概率空间的方法,研究了次线性期望空间中WA随机变量序列加权和的完全收敛定理,从而将概率空间中的相应的定理推广到次线性期望空间中,并得出与概率空间相类似的结果.     

g-期望关于凸(凹)函数的Jensen不等式

在文[8]的基础上和彭实戈提出的关于g-期望的最基本的条件下,证明了g-期望关于凸(凹)函数的Jensen不等式在一般意义下成立当且仅当g是关于(y,z)的超齐次(次齐次)生成元且不依赖于y．     

关于次序统计量数学期望的两个恒等式

受关于最大次序统计量数学期望恒等式的启发,给出了最小次序统计量数学期望的恒等式,并利用概率方法进行了证明.两个恒等式是对概率论知识的补充和推广     

最大期望收益与最小期望损失决策一致性条件

本首先建立了条件收益值与条件损失值之间的关系，其次在理想期望概念的基础上建立了期望收益与期望损失之间的关系。然后给出了依据最大期望收益准则与最小期望损失准则决策一致性条件。     

g-期望的分布不变性

当g-期望具有分布不变性时,给出了g所满足的充要条件.并证明了当且仅当g为零时,g-期望其有分布不变性.     

一般的非线性数学期望—g—期望

彭实戈利用倒向随机微分方程引入了平方可积随机变量的非线性数学期望－ｇ－期望,本文扩张了ｇ－期望的定义空间。     

数学年刊第26卷B辑第2期(2005)目次和提要

非线性数学期望与非线性马尔可夫链彭实戈在非线性数学期望的理论框架下获得了著名的Kolmogorov相容性定理的非线性推广.应用这个结果,通过非线性马尔可夫链构造了关于信息流相容的(即动态的)非线性数学期望.与作者以前获得的由倒向随机微分方程引入的g-期望相比,很多全非线性的以及奇异的非线性期望都包含在其中.而其相应的拓扑也是线性情况下Lp以及L∞的推广,并在非线性期望的框架下获得了(广义的)倒向随机微分方程的存在唯一性和非线性von Neumamm-Morgenstern表示定理.     

最小数学期望与倒向随机微分方程

本文讨论了如何用倒向随机微分方程(BSDE)来计算一类最小数学期望；证明了对Brown运动，最小数学期望算子仍然保留了数学期望算子的某些性质，指出了最小数学期望算子与数学期望算子的某些不同之处。     

非线性期望的理论、方法及意义

本文是非线性期望理论进展的一个综述,首先给出非线性期望空间的基本定义,并通过非线性期望的表示定理和几个典型的非线性独立同分布(i.i.d.)的例子来说明为什么这个新框架可以广泛地用来分析和计算现实世界(高维)数据背后隐藏的概率和统计分布的不确定性;进而介绍次线性期望空间中两个最重要的统计分布—非线性正态分布和最大分布,以及相应的非线性大数定律和中心极限定理,是新领域的基础性和关键性的突破,其典型的应用就是对于现实的(高维)样本数据的非常简单而深刻的φ-max-mean算法.本文还介绍一个最重要的连续时间随机过程——非线性Brown运动及相关随机分析,包括随机积分、随机微分方程和非线性鞅理论.新的理论框架实质性地推广了Kolmogorov于1933年建立的、以概率测度为核心的概率论公理体系(?,F,P).其关键不同的是,其核心概念是(非线性)期望ê,期望为线性的特殊情形对应着概率论公理体系.正是这种非线性使人们能够对于现实世界中无处不在的概率模型本身的不确定性也能进行定量的分析和计算.从而实质性地放宽了概率统计理论中对于现实世界的随机数据的统计假设要求,本文也因而获得了实际样本数据的非线性分布的φ-max-mean算法,它是一种新的非线性Monté-Carlo算法.     

次线性期望下Marcinkiewicz’s强大数定律（英文）

次线性期望提供了一个非常灵活的框架来对不确定的现象概率问题建立模型,大量的问题引起许多人的兴趣.在本文中,通过利用次线性期望的概率不等式,我们得到Marcinkiewicz’s强大数定律.