例谈正态分布的应用

正态分布是自然界中最常见的一种分布,例如测量的误差,人的生理特征的某些数据,学生的考试成绩等等.它广泛存在于自然现象及科学技术的许多领域中.在实际应用中,当给定一个标准的正态分布N(0,1)以后,设P(ξ相似文献   

最小范数二次无偏估计与最小方差二次无偏估计的关系

本文给出了当V0 ≥ 0时 ,c′σ2 在混合模型M =( y ,Xβ ,Uξ,σ20 V0 )下的最小范数二次无偏估计的表达式及其证明 ;得到了当 y服从正态分布时 ,c′σ2 的最小范数二次无偏估计与其最小方差二次无偏估计之间的关系。     

关于一类随机矩阵特征根极限分布的注记

一 引言 考虑k个p维总体X_1,X_2,…,X_k。假定它们都服从正态分布,其均值向量分别是(ξ_(1i),ξ_(2i),…,ξ_(pi)),i=1,2,…,k,且具有共同的协方差矩阵∑=(σ_(ij)),i,j=1,2,…,p。考虑矩阵     

方差未知的多总体均值检验的一种有效方法

本文对n 个相互独立、服从正态分布总体的均值统计假设H_0:μ_1=μ_2…=μ_n 的检验,进行了探讨。在方差σ_j~2(j=1,2,…,n)未知,且σ_1~2=σ_2~2=…=σ_n~2的条件下,利用正态分布及X~2分布的再生性,构造了T_n,T_n~′统计量,给假设H_0的检验提供了切实可行的有效方法。     

一类具耗散项的拟线性方程初值问题整体光滑解的存在性

§1 序言本文考虑下述方程:这里 a>0是固定常数,σ:R→R,g:[0,+∞)×R→R,及 y_0,y_1:R→R 是给定的光滑函数,并假定:(σ):σ∈C~2(R),σ(o)=0,σ′(ξ)≥ε>0 (ξ∈R;ε>0)且有σ″(ξ)≠0.(g):g,g_x∈C([0,∞)×R),g(t)=(?)|g(t,x)|∈L~∞(0,∞)∩ L′(0,∞),     

截尾正态分布的最小后验风险Bayes推断

设有两个总体G0、G1,分别服从参数为(μ0,σ)与(μ1,σ)的截尾正态分布.基于寿命数据X,考虑判别问题μ=μ0 vs.μ=μ1(μ1＞μ0＞0).本文依据最小后验风险准则,给出了上述问题的Bayes判决方法,为寿命判别制定了一个简便操作的规则.     

关于"随机向量的函数的独立性的一个问题"的商榷

对两个独立样本ξi,1≤i≤n1,ξ1～N(a1,σ2);ηi,1≤i≤m2,η1～N(a2,σ2),证明了ξ-η-与√n1S21+n2S22独立,进而证明(√)n1n2(n1+n2-2)/n1+n2·(-ξ--η)-(a1-a2)/(√)n1S21+n2S22服从参数为n1+n2-2的t分布.     

方差分量模型中回归系数的线性Minimax估计

考虑方差分量(混合线性)模型y=Xβ+U1ξ1+U2ξ2+…+Ukξk,这里Xn×p,Ui,n×ti为已知设计矩阵,βp×1是固定效应,iξ是ti×1随机效应向量,满足E(iξ)=0,cov(iξ)=σ2iIti,iξ都不相关.往往Uk=In,ξk=ek,即最后一项为随机误差,热β∈RP和i2σ>0(i=1,2,…,k)为未知参数.我们考虑β的可估函数Sβ,选取二次损失函数L(d,Sβ)=(d-Sβ)′(d-Sβ)∑ki=1ciσi2+β′X′Vk-1Xβ,然后在线性估计类中给出Sβ的惟一的mini max估计.     

非线性二阶中立型时滞微分方程正解的存在性

考虑非线性二阶中立型微分方程,[a(t)x(t)-∑ from i=1 to m (p_i(t)x(τi(t)))]″-∫from n=a to b (f(t,ξ,x[g(t,ξ)])dσ(ξ))=0,t≥t_0,和相应不等式[a(t)x(t)-∑ from i=1 to m (p_i(t)x(τi(t)))]″-∫from n=a to b (f(t,ξ,x[g(t,ξ)])dσ(ξ))≥0,t≥t_0.存在正解是相互等价的.其中a(t),pi(t)∈C([t0,∞),R+),a(t)>0,τi(t)∈C(R~+,R~+),τi(t)t,limt→∞τi(t)=∞(i=1,2,…,m).g(t,ξ)∈C([t_0,∞)×[a,b],R+).g(t,ξ)是分别关于t和ξ的增函数.g(t,ξ)t,ξ∈[a,b],limt→∞,ξ∈[a,b]g(t,ξ)=∞.f(t,ξ,x)∈C([t_0,∞)×[a,b]×R,R+).当x>0时,xf(t,ξ,x)>0.σ(ξ)∈C([a,b],R),且σ(ξ)非减.     

心理状态数的Bayes估计

设误差 X在心理状态数的作用下的分布为偏正态分布 ,即 X有密度f ( x;σ2 ,C) =C2πσe-x22σ2 　 x 02 - C2πσe-x22σ2 　 x >0其中 0 C 2为心理状态数 ,σ>0为未知参数 ,本文分别在 C服从 [C1,C2 ]上的均匀分布 ,Jeffreys无信息先验分布和共轭先验分布的假设下 ,得到了心理状态数 C的 Bayes估计。     

关于一阶具分布型偏差变元微分方程的振动性

In this paper we study the oscillation of the retarded differential equation x′(t)+∫_a^bp(t,ξ)x[g(t,ξ)]dσ(ξ)=0 (b>a) (1)and the advanced differential equation x′(t)-∫_a^bp(t,ξ)x[g(t,ξ)]dσ(ξ)=0 (b>a) (2) We improved the main results of [1-4].     

升降法确定的疲劳强度估计量的统计特性

当疲劳强度服从正态分布N(μ,σ2)时,文[11]给出了,在特定条件下,Sri=1/2(Si+Si+1)是疲劳强度均值μ的极大似然估计的证明,笔者认为该证明值得商榷.本文将特定条件推广到一般条件,得到了新的结论当疲劳强度服从任何给定的标准差的正态分布N(μ,σ02)时,在一般条件下,Sri=1/2(Si+Si+1)是疲劳强度均值μ的极大似然估计.并给出了严格的证明.     

例谈正态分布的应用

正态分布是自然界中最常见的一种分布，例如测量的误差，人的生理特征的某些数据，学生的考试成绩等等．它广泛存在于自然现象及科学技术的许多领域中．在实际应用中，当给定一个标准的正态分布N（0，1）以后，设P（ξ〈x）=P，结合标准的正态分布表，可求两个方面的问题：     

大数定律的推广

引理1.設α≥0,則 引理2.若 1) y_n+1>y_n(n=1,2,…,); 2) (?)y_n=+∞; 3) (?)(x_n+1-x-n)/(y-n+1-y_n)存在,則 这两个引理的証明可参看[1]及[2];引理2又称为施篤茲定理。下面我們用σ_n~2表示随机变量ξ_n的方差,用ρ_(ij)表示随机变量ξ_i与ξ_j的相关系数。定理.設{ξ_n}是一随机变量序列,如果存在0≤λ<1,使得 1) (σ_1~2+…+σ_n~2)>A,对任何n成立; 2) 当|i-j|→∞时,|i-j|~λρ_(ij)一致趋向于0,則这随机变量列滿足弱大数定理。     

I.I.D.随机变量序列矩完全收敛的精确渐近性

{X,Xn;n≥1}为独立同分布的随机变量序列, EX=0,01 p/2满足E|X|r<∞,且E|X|3<∞,那么其中Z服从均值为0,方差为σ2的正态分布.     

Richard模型的平均期望费用问题

设 W_t,t≥0为(Ω,■,P)上标准 Wiener 过程,■为由之所生成的上升 σ-域族,以τ_i,i≥1表任一个(?)单调上升停时列,对每个τ_i 确定一个F_(τi)可测随机变量ξ_i,我们称任一这样的对列 v={(τ_i,ξ_i),i≥1}为一脉冲过程,以 V 表脉冲过程,(以下称脉冲控制)的全体,设 h 和 B 为 R 上满足某些条件的非负实函数,再设σ,μ为任何实常数且|σ|>0.本文求得一个常数λ>0使对任一实数 x 皆有一个十分明确具体的控制 v~*={(τ_i~*,ξ_i~*),i≥1)∈V 满足lim~T→∞(1/T)E[integral from 0 to T h(x+μt+σW_t+sum τ_i~*相似文献   

一类非线性高阶中立型方程的振动定理

本文对于一类具有连续分布滞量的高阶中立型微分方程dndtn[x( t) +c( t) x( t-τ) ]+∫baf ( t,ξ,x[g( t,ξ) ]) dσ(ξ) =0 ( 1 )进行讨论 ,得到了方程 ( 1 )的若干振动准则 .     

统筹方法中分布律的多样性

设已知某一任务最乐观是a周完成,最保守是b周完成,最大可能是c周完成,且用μ=(a+4c+b)/6和σ~2=((b-a)/6)~2表示这任务的完成时间ξ的数学期望和方差;问此随机变量ξ应服从什么分布? 美国PERT工作者认为服从β分布,文献[1]认为这种说法有问题,文献[2]中也作为问题提出,希望数学工作者作些理论的探讨;在[3]中认为服从β分布“在数学推导中自     

正态随机变量的非线性函数具有正态性的两个例子

设 X是一个服从标准正态分布的随机变量 ,即 X～N(0 ,1) ,本文给出两类非线性函数 f(x) ,使得 f (X )仍然服从标准正态分布 .     

一类推广的奇异型最佳随机控制问题

§1.引言设 W_t,t≥0为概率空间(Ω,(?),P)上的标准 Wiener 过程,{(?)_t}为由之所产生的上升σ-域族,以(?)表所有{(?)_t}适应左连续0初值有限变差过程的全体.对每个ξ={ξ_t,t≥0}∈(?),熟知有正规分解ξ_t=ξ_t~ -ξ_t~-,而(?)_t(?)ξ_t~ ξ_t~-为ξ_t 的全变差过程,当然ξ_t~ 及ξ_t~-皆为(?)中的单调非降过程。