oalib

Publish in OALib Journal

ISSN: 2333-9721

APC: Only $99

Submit

Any time

2019 ( 3 )

2018 ( 56 )

2017 ( 52 )

2016 ( 64 )

Custom range...

Search Results: 1 - 10 of 1965 matches for " 负相依 "
All listed articles are free for downloading (OA Articles)
Page 1 /1965
Display every page Item
UEND和φ混合随机变量随机和的精确大偏差
华志强,宋立新,冯敬海
大连理工大学学报 , 2014, DOI: 10.7511/dllgxb201403017
Abstract: 介绍了UEND和φ混合的相依关系的随机变量,研究了具有UEND和φ混合的相依关系的随机变量的随机和的尾概率问题,利用一种求相依关系的随机变量的随机和的大偏差方法,得到了具有UEND和φ混合的相依关系的服从重尾分布的随机变量的随机和的渐近尾概率的结果,将服从独立不同分布的随机变量的随机和的一致渐近结论推广到了服从不同分布的带相依关系的随机变量的随机和的结论上.
常息力延迟更新场合下的破产概率
胡岸
暨南大学学报(自然科学与医学版) , 2013,
Abstract: 考察了索赔过程为具有常数利息力的延迟更新模型,在负相依场合下,索赔额分布服从ERV(-α,-β)假定下,得到了最终破产概率的一个渐进表达式.
推广的潜在索赔风险模型的破产概率 Ruin Probability for an Extended Prospective-claim Risk Model
郭航,金燕生,张衡
- , 2016,
Abstract: 改进了一类潜在索赔风险模型,把保费由固定变为取多个值的随机变量,将索赔额序列由独立推广到广义负相依,在假设索赔额分布为L∩D族情况下,得到了有限时间破产概率的一个渐近等价式.
负相依索赔条件下关于复合更新风险模型的精细大偏差
宋立新,冯敬海,袁亮亮,石新勇
大连理工大学学报 , 2014, DOI: 10.7511/dllgxb201406015
Abstract: 研究不独立、不同分布的精细大偏差问题,其中假设Xn,n≥1是一列负相依的随机变量序列,Fn,n≥1为其对应的分布函数列.在满足一定的条件下,重点解决非随机和的精细大偏差的下限问题,得到相对应的随机和的一致渐近结论,并将所得结论应用到更为实际的复合更新风险模型中,验证了其理论与实际价值.
推广的常息力延迟索赔风险模型的破产概率 Ruin Probability for an Extended Risk Model with Constant Interest Force and Delayed-claims
金燕生,侯文婷
- , 2018,
Abstract: 研究了重尾分布下同时带常数利息力和延迟索赔的更新风险模型.将保费由常数变为一个非负随机过程,索赔额推广为广义负相依,并在分布属于L∩D族情形下,得到了有限时破产概率的渐近表达式.
复合更新风险模型中负相依索赔额下的精细大偏差
宋立新,冯敬海,袁亮亮
应用概率统计 , 2015,
Abstract: 本文考虑了在复合更新风险模型当中,负相依索赔额情形下与之相关的精细大偏差的若干问题.文中假设是一列负相依的随机变量,其对应分布列为,并假定的右尾分布等同于某个具有一致变化尾的分布.根据所得的结果试图建立与经典大偏差相似的结论,并将其应用到改进后的复合更新风险模型当中.
ND样本最近邻密度估计的一致强相合性
刘艳,吴群英
华侨大学学报(自然科学版) , 2012, DOI: 10.11830/ISSN.1000-5013.2012.05.0590
Abstract: 设X1,X2,…,Xn是同分布的负相依(ND)样本,具有共同的密度函数f(x),利用相应的Bernstein不等式,将负相关(NA)样本最近邻密度估计的一致强相合性推广到ND样本,得到其最近邻密度估计的一致强相合性.
相依赔付带投资的延迟风险模型的极限性质 Limit property of the delayed risk model under dependent claims and investment
肖鸿民,刘爱玲,何艳
- , 2017,
Abstract: 研究了带投资的延迟索赔风险模型破产概率的极限性质.保险公司将其资产按常数比例投资于满足几何布朗运动的股票市场,其余部分投资于非负利率的债券市场.在主索赔额和延迟索赔额序列分别为负相依且属于重尾分布族的情形下,得到了有限时间破产概率的渐近等价表达式.该结论的有效性由相应的数值模拟进行了很好地验证,为保险公司的投资提供了一种思路
索赔盈余风险模型中精确大偏差
Precise large deviations for claim surplus risk model

华志强,宋立新,冯敬海,齐晓梦
- , 2016, DOI: 10.7511/dllgxb201601010
Abstract: 考虑了控制变化族( D 族)上索赔过程与保费过程构成的索赔盈余风险模型,研究了此风险模型中带相依关系的随机变量的非随机和与随机和的尾概率渐近问题,利用求相依不同分布的随机变量的非随机和与随机和的精确大偏差方法,得到了带上延拓负相依和 混合相依关系的不同分布的随机变量构成的索赔风险模型中的非随机和与随机和的精确大偏差渐近的结论,最后建立了索赔盈余风险模型中精确大偏差的渐近公式.
The claim surplus risk model with dominated variation class (class D ) including claim process and premium process, is considered. The asymptotic behavior of the tail probabilities of non-random sum and random sum of dependent random variables in the claim surplus risk model is studied, and some asymptotic results about the precise large deviations for non-random sum and random sum of upper extended negatively dependence and -mixing dependent random variables in the claim risk model are got by using the methods of precise large deviations for non-random sum and random sum of dependent and non-identically distributed random variables. Finally, the asymptotic formula of precise large deviation in the claim surplus risk model is obtained.
相依随机变量阵列加权和的矩完全收敛性
COMPLETE MOMENT CONVERGENCE OF WEIGHTED SUMS FOR ARRAYS OF DEPENDENT RANDOM VARIABLES

作者,郭明乐,戴钰,张立君
- , 2016,
Abstract: 本文研究了相依随机变量阵列加权和的矩完全收敛性.利用矩不等式和截尾法,建立了相依随机变量阵列加权和的矩完全收敛性的充分条件.将Volodin等(2004)及陈平炎等(2006)的关于独立随机变量阵列的结果推广到了负相协和负相依随机变量阵列的情形,推广并完善了Sung(2011),吴群英(2012)及郭明乐和祝东进(2012)的结果.
In this paper, the complete moment convergence of weighted sums for sequences of dependent random variables is investigated. By applying moment inequality and truncation methods, some sufficient conditions of complete moment convergence of weighted sums for sequences of dependent random variables are established. We extend the results of Volodin et al. (2004) and Chen et al. (2006) for independent random variables to negatively associated and negatively dependent random variables, which improve and generalize the results of Sung (2011), Wu (2012) and Guo and Zhu (2012)
Page 1 /1965
Display every page Item


Home
Copyright © 2008-2017 Open Access Library. All rights reserved.