Gumbel分布最大吸引场的次序统计量的精致渐近性
gumbel copula函数
Gumbel Copula函数1. 引言在金融领域中，对于风险管理和投资组合优化等问题，常常需要对多个随机变量的联合分布进行建模和分析。
Copula函数是一种用来描述多维随机变量之间依赖关系的工具。
Gumbel Copula函数是Copula函数家族中的一员，它具有灵活性和广泛应用性。
本文将详细解释Gumbel Copula函数的定义、用途和工作方式，并探讨其特点、参数估计方法以及优缺点。
2. 定义Copula函数是一个定义在单位超立方体上的多元分布函数，用于将边际分布与联合分布联系起来。
Gumbel Copula函数是一种特殊形式的Copula函数，它使用Gumbel分布作为边际分布。
Gumbel Copula函数的定义如下：其中，C(u1, u2, …, un)表示n个随机变量U1, U2, …, Un的联合概率密度。
u1, u2, …, un表示这些随机变量对应边际概率密度值F1(x1), F2(x2), …, Fn(xn)的累积概率。
3. 用途和工作方式Gumbel Copula函数的主要用途是建模多维随机变量之间的依赖关系。
它可以将不同边际分布的随机变量转化为具有相同边际分布的独立随机变量，从而简化问题的处理。
Gumbel Copula函数的工作方式如下：1.将n个随机变量的累积概率值转化为符合标准Gumbel分布的随机变量。
2.根据转化后的随机变量，计算其联合概率密度。
具体步骤如下：1.对于每个随机变量Ui，根据其边际概率密度Fi(x)计算累积概率值ui =Fi(xi)，其中xi为实际观测值。
2.将累积概率值ui通过Gumbel分布的累积分布函数转化为符合标准Gumbel分布的随机变量vi = Fg(-1)(ui)，其中Fg(-1)为标准Gumbel分布的逆函数。
3.将转化后的随机变量vi代入Gumbel Copula函数中，计算联合概率密度C(v1, v2, …, vn)。
4. 特点Gumbel Copula函数具有以下特点：1.灵活性：通过Gumbel Copula函数，可以将不同边际分布的随机变量转化为具有相同边际分布的独立随机变量，从而简化问题的处理。
gumbel 分布函数
gumbel 分布函数Gumbel分布是一种常见的概率分布函数，常用于描述极值的分布情况。
它在极值统计、水文学、金融风险管理等领域具有广泛的应用。
Gumbel分布的概率密度函数（PDF）可以用来描述具有极值特性的随机变量的分布情况。
它的形状呈现出一个尖峰，然后逐渐下降的特点，类似于一个倒置的钟形曲线。
这种分布函数的特点使得它适用于描述极端事件的发生概率。
Gumbel分布的数学表达式较为复杂，我们这里不再详细阐述。
但需要指出的是，Gumbel分布的形状参数可以用来控制曲线的位置和尖峰程度。
当形状参数为0时，Gumbel分布退化为指数分布；当形状参数为正无穷时，Gumbel分布退化为极值分布。
Gumbel分布在极值统计中的应用十分广泛。
在极值统计中，我们常常关注的是极端事件的概率，例如最大值或最小值。
Gumbel分布可以很好地描述这种极端事件的分布情况。
通过对实际数据进行拟合，我们可以得到最大值或最小值的Gumbel分布参数，从而对未来可能发生的极端事件进行预测和评估。
在水文学中，Gumbel分布也经常被用来描述极端降雨或洪水事件的概率分布。
通过拟合实际观测数据，我们可以得到降雨或洪水的Gumbel分布参数，从而对未来可能发生的极端降雨或洪水进行预测和防范。
在金融风险管理中，Gumbel分布被广泛应用于极值风险度量。
金融市场的波动性常常呈现出极端事件的特点，例如股市的崩盘或汇率的剧烈波动。
通过对金融资产收益率进行拟合，我们可以得到其Gumbel分布参数，从而对未来可能发生的极端事件进行风险度量和管理。
除了上述应用领域，Gumbel分布还被广泛应用于可靠性工程、环境工程、工程设计等领域。
它的特点使得它成为描述极端事件的理想工具。
Gumbel分布是一种常见的概率分布函数，适用于描述极值的分布情况。
它在极值统计、水文学、金融风险管理等领域有着广泛的应用。
通过对实际数据进行拟合，我们可以得到Gumbel分布的参数，从而对未来可能发生的极端事件进行预测和评估。
gumbel分布的位置参数
gumbel分布的位置参数（最新版）目录1.引言2.gumbel 分布的定义和性质3.gumbel 分布的位置参数的概念和计算方法4.gumbel 分布位置参数的应用5.结论正文1.引言gumbel 分布是一种特殊的连续型分布，最早由美国统计学家Raymond Gumbel 在 1956 年提出。
gumbel 分布在统计学、概率论以及工程领域有着广泛的应用，尤其是在描述极端值现象时具有很好的性质。
本文将对 gumbel 分布的位置参数进行介绍和探讨。
2.gumbel 分布的定义和性质gumbel 分布是一种具有两个自由参数（尺度参数和形状参数）的连续型分布。
其概率密度函数为：f(x) = (1/σ^2) * exp(-(x-μ)^2/2σ^2) / √(2πσ^2)其中，μ为位置参数，σ为尺度参数。
gumbel 分布具有以下性质：（1）当μ = 0，σ = 1 时，gumbel 分布成为标准正态分布；（2）其累积分布函数（CDF）在 x=μ处不连续，存在一个间断点；（3）gumbel 分布的均值、中位数和众数相等，都等于μ；（4）gumbel 分布的方差为σ^2，标准差为σ。
3.gumbel 分布的位置参数的概念和计算方法gumbel 分布的位置参数μ表示分布的平均水平，即数据集的集中趋势。
在实际应用中，我们通常通过观测数据来估计 gumbel 分布的位置参数μ。
常用的估计方法有：（1）最大似然估计（MLE）：根据观测数据，使用最大似然函数来估计位置参数μ。
具体做法是求解使得观测数据的对数似然函数取最大值的μ值；（2）矩估计：根据观测数据的矩来估计位置参数μ。
具体做法是求解使得样本矩与 gumbel 分布的矩相等的μ值。
4.gumbel 分布位置参数的应用gumbel 分布位置参数μ在实际应用中有很多用途，例如：（1）在风险管理领域，可以用 gumbel 分布来描述极端风险事件的概率，从而制定相应的风险防范措施；（2）在工程领域，可以用 gumbel 分布来描述产品的寿命分布，从而预测产品的寿命；（3）在气候学领域，可以用 gumbel 分布来描述极端气候事件的概率，从而预测气候变化。
gumbel模型推导
gumbel模型推导一、Gumbel模型的原理Gumbel模型是由Emil Julius Gumbel于1958年提出的，它是极值分布的一种类型。
在极值统计中，我们经常关注最大值或最小值的分布情况，而Gumbel模型可以很好地描述这种分布特征。
Gumbel模型的概率密度函数可以表示为：f(x) = (1/β) * e^(-(x-μ)/β) * e^(-e^(-(x-μ)/β))其中，μ是位置参数，β是尺度参数。
位置参数决定了分布的中心位置，而尺度参数则决定了分布的形状。
Gumbel模型的分布形状为右偏的指数分布。
二、Gumbel模型的应用Gumbel模型在实际应用中有着广泛的应用价值。
以下列举了几个常见的应用领域：1. 气象学：Gumbel模型可以用于描述极端气温、降水量和风速等气象要素的分布情况。
通过对极端值的建模，可以更好地评估气候变化对极端天气事件的影响。
2. 金融学：Gumbel模型可以用于研究金融市场中的极端事件，如股市崩盘、金融风险等。
通过对极值的建模，可以更好地评估金融市场的风险，并采取相应的风险管理策略。
3. 工程学：Gumbel模型可以用于可靠性分析和设计，如评估结构物的极端荷载、估计设备的寿命等。
通过对极值的建模，可以提高工程设计的安全性和可靠性。
三、Gumbel模型的推导方法推导Gumbel模型的方法主要有两种：极大似然估计和极值理论。
1. 极大似然估计：极大似然估计是一种常用的参数估计方法，通过最大化样本的似然函数来估计模型的参数。
对于Gumbel模型，可以通过最大化似然函数来估计位置参数和尺度参数。
2. 极值理论：极值理论是研究极值分布的一种理论方法。
根据极值理论，当样本量足够大时，极值的分布可以逼近Gumbel分布。
通过对极值的统计分析，可以估计Gumbel模型的参数。
Gumbel模型是一种常用的极值分布模型，具有广泛的应用价值。
通过对极值的建模和分析，可以更好地理解和评估极端事件的概率和影响，从而提高决策的科学性和准确性。
谈Gumbel分布的均值和方差的计算
民
) l
、
脚 (/
a
寻 找 到可 用 点 的 可 能性 以 选 代 次
、
数 的 指数 函 数 增 加
因 之 所 需 计算量 较随 机 产 生 法 剧 减
声 :
。
在 收 缩 过 程 中 S 有 部份 逸 出 投 点 区 域
或 万 高度 倾 斜
目标 函数 等值面 严 重 偏 心 等 特
殊 情 况 下实 际 计 算效果 可 能 比 上 述 估 计 差 一 些
=
记a
厂
。 。 。 /厂
M / M ( 通 常取 a
二 a
。
`
=
2~ 5
)
,
根 据 分 布 的 均 匀性
,
犷。
。
/厂
I, ,
=
,
a
。
当 H 倾 斜不 严
,
:
; D 重 ( 所 谓 倾 斜 严 重 是指 H 与 各 坐 标 轴的 交 角都 较 大 ) 时 可 认 为 犷 ,
” 犷H:
即近似 有
经 K 次 收缩
,
。
,
,
,
。
,
,
19 8 2年
。
组 合预测 模型
南 开 大 学分 校
天 津 大 学 分校 吴锡林
王树巧
一
、
引盲
。
不 同 的 预 测 模 型 预 测 同一 经 济 现 象 时 会产 生 不 同 的 误 差 型 显然 是 片 面 的 型 有 机 地 结合
,
。
单凭 误差大 小而 取舍 某预 测 模
,
为 了集 中 尽 可 能 多 的 有 关 信 息
E(
Gumbel分布统计参数估计方法及其应用
Gumbel分布统计参数估计方法及其应用作者：刁洪全林家辉姚惠明来源：《科技创新导报》2019年第08期摘要：依据Gumbel分布理论，给出了Gumbel频率分析的统计参数估计方法（含连续系列和不连续系列）。
以往的Gumbel频率分析主要用于涉水工程的设计水位（潮位）及设计暴雨洪水分析；随着国民经济的快速发展，在我国大型基建工程对于气温、风速等极端气象要素的规划与设计中，普遍采用Gumbel分布进行相关要素的设计分析计算。
实例研究表明，当极值系列中出现历史特大值时，应考虑特大值的重现期，并需结合当地的区域水文气象特性等进行合理性分析。
关键词：Gumbel分布统计参数估计频率分析设计洪水位中图分类号：O212 文献标识码：A 文章编号：1674-098X（2019）03（b）-0131-02频率分析的方法有很多[1-7]，其中选择符合观测极值分布的频率曲线线型尤为关键。
对于水文气象极值分布频率分析，水利水电工程[3]的设计暴雨和设计洪水水文频率曲线的线型常用PIII型，也可用Gumbel型（亦称极值Ⅰ型），沿海沿河地区堤防[4]、港口、航道[5]等涉水工程的设计水位和设计潮位水文频率曲线的线型常用Gumbel型，也可用PIII型，在涉水工程的规划、设计、施工及其运行过程中具有重要的研究地位。
随着国民经济的快速发展，大量大型基建项目需分析研究气温、风速和降雨等極端气象要素对构筑物设计的影响，其频率分析的线型多采用Gumbel型[6-7]。
尽管国内外极值分布的分析方法很多，但实际上，目前水文气象科学还无法完全从成因和理论上论证极值分布的函数分布属性，通常是根据大量的观测资料系列，先假定其符合某种频率分布，后进行统计理论分析或资料系列拟合分析。
因此各行业在进行频率分析时，一般都按相应的规范或标准执行[3-7]。
本文根据Gumbel分布的极值分布理论和统计参数估计方法，重点研究独立同分布洪水位极值系列中出现历史特大值[8]时的Gumbel频率分析方法，并给出了模拟计算实例，为相关涉水工程的规划与设计提供参考方法和技术支持。
gumbel分布的位置参数
gumbel分布的位置参数摘要：I.引言A.概述gumbel 分布B.介绍gumbel 分布的位置参数II.gumbel 分布的基本概念A.gumbel 分布的定义B.gumbel 分布的概率密度函数C.gumbel 分布的累积分布函数III.gumbel 分布的位置参数A.位置参数的定义B.位置参数与分布形态的关系C.位置参数的性质IV.参数估计与假设检验A.最大似然估计B.矩估计C.假设检验V.总结与展望A.概括gumbel 分布的位置参数B.提出未来研究方向正文：I.引言Gumbel 分布是一种连续型概率分布，广泛应用于极值理论、可靠性分析和风险管理等领域。
本文将详细介绍gumbel 分布的位置参数，包括其定义、性质以及在参数估计和假设检验中的应用。
II.gumbel 分布的基本概念Gumbel 分布，以德国数学家Erich Gumbel 命名，是一种对称的、连续型概率分布。
其概率密度函数为：f(x; μ, σ) = e^(-(x - μ) / σ) / σ其中，x 是随机变量的取值，μ是位置参数，σ是尺度参数。
累积分布函数（CDF）为：F(x; μ, σ) = 1 - e^(-(x - μ) / σ)III.gumbel 分布的位置参数位置参数μ表示Gumbel 分布的均值，决定了分布的形态。
当μ = 0 时，Gumbel 分布与指数分布相似；当μ > 0 时，分布的尾部向上翘；当μ <0 时，分布的尾部向下翘。
位置参数μ具有以下性质：A.μ的取值范围为(-∞, +∞)；B.μ = 0 时，分布具有无偏性；C.μ对分布的形态有显著影响。
IV.参数估计与假设检验A.最大似然估计（MLE）对于给定的样本X = {x1, x2, ..., xn}，Gumbel 分布的位置参数μ的最大似然估计为：μ_hat = x - log(n)B.矩估计Gumbel 分布的矩估计方法较为复杂，通常采用极大似然估计。
机器学习期末复习题及答案
一、单选题1、在条件随机场（CRF）中，参数的学习通常使用哪种优化算法？（）A.K-Means聚类B.梯度提升机（GBM）C.支持向量机（SVM）D.随机梯度下降（SGD）正确答案：D2、在概率无向图模型中，什么是团分解（Cluster Decomposition）？（）A.一种通过节点之间的边传播信息，以更新节点的边缘概率的方法B.一种用于计算图的分割的算法C.一种将联合概率分布分解为多个局部概率分布的方法D.一种用于表示联合概率分布的无向树正确答案：C3、在数据不完备时，下列哪一种方法不是贝叶斯网络的参数学习方法（）A.拉普拉斯近似B.最大似然估计方法C.蒙特卡洛方法D.高斯逼近正确答案：B4、在有向图模型中，什么是条件独立性？（）A.给定父节点的条件下，子节点之间独立B.所有节点之间都独立C.所有节点的状态相互独立D.任意两个节点都是独立的正确答案：A5、在概率有向图模型中，节点表示什么？（）A.变量B.参数C.条件概率D.边正确答案：A6、下列哪一项表示簇中样本点的紧密程度？（）A.簇个数B.簇大小C.簇描述D.簇密度正确答案：D7、闵可夫斯基距离表示为曼哈顿距离时p为：（）A.1B.2C.3D.4正确答案：A8、谱聚类与K均值聚类相比，对于什么样的数据表现更好？（）A.低维数据B.高维数据C.线性可分数据D.高密度数据正确答案：B9、SVM适用于什么类型的问题？（）A.既可用于线性问题也可用于非线性问题B.仅适用于回归问题C.仅适用于非线性问题D.仅适用于线性问题正确答案：A10、对于在原空间中线性不可分的问题，支持向量机（）A.在原空间中寻找非线性函数划分数据B.无法处理C.利用核函数把数据映射到高维空间D.在原空间中寻找线性函数划分数据正确答案：C11、LDA主题模型中的alpha参数控制着什么？（）A.单词分布的稀疏性B.文档-主题分布的稀疏性C.模型大小D.模型收敛速度正确答案：B12、LDA的全称是什么？（）tent Dirichlet AllocationB.Linear Discriminant Analysistent Data AnalysisD.Lin Latent Dirichlet Allocation ear Data Algorithm正确答案：A13、以下对于梯度下降法中学习率lr的阐述，正确的是（）A.lr小，收敛速度较快B.lr大，收敛速度较慢C.lr小，收敛速度较慢且较不易收敛D.lr大，收敛速度较快但可能导致不收敛正确答案：D14、在EM算法中，E代表期望，M代表（）A.均值B.最大化C.最小化D.均方误差正确答案：B15、梯度下降中如何有效地捕捉到目标函数的全局最优？（）A.调整学习速率B.增加模型复杂度C.使用梯度下降的变种算法D.增加训练样本量正确答案：C二、多选题1、下列机器学习常用算法中哪个属于分类算法？（）A.K-meansB.最小距离分类器C.KNN(K近邻)D.逻辑回归正确答案：B、C、D2、下列关于决策树的说法正确的是？（）A.CART使用的是二叉树B.其可作为分类算法，也可用于回归模型C.不能处理连续型特征D.它易于理解、可解释性强正确答案：A、B、D3、下列属于k近邻算法中常用的距离度量方法的是？（）A.余弦相似度B.欧式距离C.曼哈顿距离D.闵可夫斯基距离正确答案：A、B、C、D4、下列属于深度模型的是？（）A.DNNB.LightgbmC.LSTMD.Seq2Seq正确答案：A、C、D5、sklearn中RFECV方法分成哪两个部分？（）A.RFEB.CVC.NLPD.MM正确答案：A、B6、以下关于蒙特卡洛方法描述正确的是（）A.蒙特卡洛方法计算值函数可以采用First-visit方法B.蒙特卡洛方法方差很大C.蒙特卡洛方法计算值函数可以采用Every-visit方法D.蒙特卡洛方法偏差很大正确答案：A、B、C7、为什么循环神经网络可以用来实现自动问答，比如对一句自然语言问句给出自然语言回答（）A.因为自动问答可以看成是一种序列到序列的转换B.因为循环神经网络能够处理变长输入C.因为循环神经网要比卷积神经网更强大D.因为卷积神经网络不能处理字符输入正确答案：A、B8、通常有哪几种训练神经网络的优化方法（）A.梯度下降法B.随机梯度下降法C.小批量随机梯度下降法D.集成法正确答案：A、B、C9、隐马尔可夫模型的三个基本问题是（）A.估值问题B.寻找状态序列C.学习模型参数D.状态更新正确答案：A、B、C10、在数据不完备时，贝叶斯网络的参数学习方法有（）A.高斯逼近B.蒙特卡洛方法C.拉普拉斯近似D.最大似然估计方法正确答案：A、B、C11、基于约束的方法通过统计独立性测试来学习结点间的（）A.独立性B.相关性C.依赖性D.完备性正确答案：A、B12、基于搜索评分的方法，关键点在于（）A.确定合适的搜索策略B.确定评分函数C.确定搜索优先级D.确定选择策略正确答案：A、B13、条件随机场需要解决的关键问题有（）A.特征函数的选择B.参数估计C.模型推断D.约束条件正确答案：A、B、C14、以下关于逻辑斯蒂回归模型的描述正确的是（）A.针对分类的可能性进行建模，不仅能预测出类别，还可以得到属于该类别的概率B.直接对分类的可能性进行建模，无需事先假设数据分布，这样就避免了假设分布不准确所带来的问题C.模型本质仍然是一个线性模型，实现相对简单D.逻辑斯蒂回归模型是线性回归模型正确答案：A、B、C、D15、LDA模型在做参数估计时，最常用的方法是（）A.Gibbs采样方法B.变分推断C.梯度下降D.Beam search正确答案：A、B三、判断题1、关于EM算法的收敛性，EM算法理论上不能够保证收敛（）正确答案：×2、多次运行，随机化初始点是对存在局部最优点的函数求解的一种方案（）正确答案：√3、训练算法的目的就是要让模型拟合训练数据（）正确答案：×4、循环神经网络按时间展开后就可以通过反向传播算法训练了（）正确答案：√5、GIS算法的收敛速度由计算更新值的步长确定。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
高 校 应 用数 学 学 报Ａ辑
２ ０ ， ２ ２ ：７ — ８ ０ ７ ２ （ ） １ ３１ Ｏ
Ａｐ １ ａ ｈ ． ｉｅ ｅＵｎ ｖ ｅ ． ｐ ．Ｍ ｔ ．Ｊ Ｃｈ ｎ ｓ ｉ ．Ｓ ｒ Ａ
Ｇｕ ｅ 分 布最 大 吸 引 场 的次 序 统 计 量 ｍｂ １ 的精致 渐 近 性
王开永ｈ， 岳 宝 王
（ ． 州大 学 数 学科 学 学院 ， 苏苏 州 ２ ５ ０ ； １苏 江 １ ０ ６
２ 苏 州科 技 学 院 应 用数 学 系 ， 苏 苏州 ２ ５ ０ ） ． 江 １ ０ ９
摘 要 ： 到 一类 Ｇｕ ｅ 分布 最 大 吸 引场 的 随机 容 量 样 本 的 次序 统 计 量 的 得 ｍｂ １ 精致 渐近 性 ， 示 了收 敛速度 、 函数 、 揭 权 边界 函数 及 极 限状 态之 间的联 系． 这类 吸 引 场真 包含 了全 体 （ ） ７ ７ ， ＞０分 布族 ． 关键 词 ： 致 渐近 性 ；随机 容量 样本 ；次序 统计 量 ；Ｇ ｍｂ １ 精 ｕ ｅ 分布 最大吸 引场
ｌ ｉ
，
ｍ。 （ ≥￡ ：Ｅ ２ ∑Ｐ Ｉ ｌ ｅ ｓ ） Ｘ．
（２ １） ．
收 稿 日期 ：０ ５０— １ ２ ０ —７１
基 金项 目： 国家 自然 科 学基 金 （ ０ ７Ｏ ７ １２１８）
维普资讯
１４ ７
高 校 应 用 数 学 学 报
记 简 单样 本 为 （ ． Ｘ ， ：ｍａ ｛ ． ） ＇ ｘ Ｘ ”， ｝ 咒 ， １ ≥ ．若 存在 正 则化 常数 Ｃ ＞ ０ （） ，
中心 化常 数 （ ） ＥＲ， ≥１ 及 ｒ ｖ Ｚ， ， ． ． 其分 布 函数 （ ．． 为 ， 作 Ｚ～ ， ｄｆ） 记 使
关 心 ， ｅ ０时 ， １ １ 的左 式 的收敛 速 度及 极 限状 态 ， 当 （． ） 因为 它 刻 画 了 ｒ ｖ 的部 分 和 的弱 大 ．．
数 律 ， 大数律 的收敛 速 度 ． 强 人们 将 这个 方面 的研 究 冠 以精 致 渐 近性 的名称 ． 致 渐 近性 的 精 最 初结 果 由［ ］ 出．若 ｛ ， ： １ 是独 立 同分 布 （．． ． 的 ｒ ｖ 列且 Ｅ ＜ 。 ， 一０ １给 ｘ Ｘ ≥ ） ｉｉｄ ） ． ． Ｘ。 。 Ｅ ， 则
第 ２ 卷 第 ２期 ２
进一 步 的研究 见 ［ — １ ］ ．但是 迄今 为止 ， 方面 的成 果基本 上 围绕 ｒｖ 的部 分 和过程 或 ２ ０等 这 ．．
部分 和 的最 大值过 程 ， 很少 涉及 样本 最大 值和 更一 般 的次序 统计 量 ， 而后者 正是 统计 及金 融
保 险等领 域 的主要 对 象 ， 们往 往在 突发 现象 中起 到重要 甚 至 主导的作 用 ， 以有必要 研究 它 所 次 序统计 量 的精致 渐 近性 ．先 介绍 一些 概念 ， 记号 及 已知 的结果 ［，］ １１． １２
０
的条 件 ， 常称 （ ） ， ｚ 分别 为权 函数及 边界 函数． 这方 面 的研 究 出现 了大 量成 果 ， 通 ｚ及 （） 恕
不一 一列举 ．
另一 方面 ， 容易 看 出 ， ｅ ０时 ， １ １ 的左 式 的值 非 降 ， 可 证 明其趋 于。 ．人 们 自然 当 （． ） 并 。
Ｃ｜（ （ － ） １ 一 ｄ（ ） ｎ ）一 Ｚ ， ｎ— 。， 。 （． ） １ ３
则称 或 其 分 布 函数 （ ．． Ｆ 属 于 极 值 分 布 目 的 最 大 吸 引 场 ， 作 ∈Ｄ（ ） Ｆ∈ ｄ ｆ） 记 或 Ｄ（ ） 由著 名 的 Ｆｓ ｅ— ｐ ｅｔ定 理 知 ， 值 分 布 有 且 仅 有 三 种 类 型 ： ｒｃ ｅ Ｈ ． ｉｈ ｒＴｉｐ ｔ 极 Ｆ ￣ｈ ｔ型 （ ） ， Ｇｕ ｅ （ 及 ｗｅｂ ｌ 型 （ ） 其 中 Ｄ（ 是 范 围最 为复 杂 的 最大 吸 引场 ． 准 Ｇｕ ｅ ｍｂ ｌ型 以） ｉｕｌ ． 以） 标 ｍｂ １
０
｛ ≥１是同 概率 ｘ： ） 一 空间上 机 ｉ 的随 变量（ ｖ） Ｓ一∑ Ｘ，≥１完 敛 基本 ｒ ．列， ． ． 全收 性的
＝ １
任务 即研究 级 数
‘
∑ Ｐ Ｉ ｌ （ ） 。， ＞ ０ （）（ ≥ ＜ 。 ｅ Ｓ ）
—
（１ １） ．
分 布为 以（ ＝ｅ ｐ 一ｅ ， ） ｘ ｛ ～｝ｘＥＲ． ＦＥＤ（ ） 则 若 以，
（： 一 （一（ｘ一＝ ， ∈ ， ＂ Ｆ） ） ｛ｊｄ｝ Ａ ） １ ｐ 。ｔ － ｅ
≥Ｏ 存在 （ ） ， ｚ 且 （ ቤተ መጻሕፍቲ ባይዱ ０ 一。 ．这 时 ， ） ， 。 可取
（） １ ． ４
中 图分类 号 ： １ ． Ｏ２ ３ １
文献 标识 码 ： Ａ 文章编 号 ：０ ０ ４ ２ （０ ７ ０ —１ ３０ １ ０ —４ ４ ２ ０ ） ２０ ７ —８
§ 引 言 及 结 果 １ 设 ∈ ，（） （） 。 Ｎ ｚ及，ｚ是定义在［。ｏ上的两个正 ， ） ｏ 值函 数且 ∑ 一。 又设 （ ） 。 ．
其 中 Ａ 为 Ｆ 的支 撑 ， 妨设 Ａ一 ［ ，ｏ ， 不 ０ ｏ ） 以后 不再 申明 ； ＜ （ 一 ， Ｏ ） ＞０ 一。 ； ） ， 。 （ ＞０
ｄ（ ）＝ Ｆ １一 一 ）ｔ ｎ ｛ ＞ ０ Ｆ（ ｎ （ － ｆ －ｉ ： ）≥ １一 一 ｝ Ｃ ）一 （ ） ， ≥ １ ，（ （ ）
（． ） １ ５
使 （ ． ） 立 １３成
Ｄ（ ） 以 的范 围之 大 由下 可 知 ， 于常见 的非 负 ｄ ｆ族 对 ．．
ｆ Ｆ（ ） ｘ—
—
１
（ ）一 Ｆ：ｉ — ７ ｌ ｍ