顶部
收藏

现代极限理论及其在随机结构中的应用


作者:
苏淳 冯群强 刘杰
定价:
59.00元
ISBN:
978-7-04-028707-3
版面字数:
530.000千字
开本:
16开
全书页数:
399页
装帧形式:
平装
重点项目:
暂无
出版时间:
2010-06-21
读者对象:
学术著作
一级分类:
自然科学
二级分类:
数学与统计
三级分类:
概率论

本书是“现代数学基础”系列中的一本。

现代科学的发展,对概率论提出了越来越高的要求。经典的极限理论以研究随机变量序列部分和序列的极限性状为己任,近代极限理论则主要研究部分和过程向布朗运动的强弱逼近。然而,随着概率论与其他学科的交叉,所产生出的许多复杂的随机结构,远远不是用“部分和”就可以刻画得了的。不同的随机结构来自于迥异的领域,相差甚远,对其中的概率问题的研究远非传统方法能够胜任。自20世纪90年代以来,随着对复杂随机结构中随机量极限性状的研究逐步开展,涌现出许多全新的理论和方法,也深化和发展了一些原有的理论。这些理论与方法目前还散见于各种学术刊物,虽然已有不少综述性的文章介绍其中的一些理论与方法,但是仍然缺乏一本较为全面系统介绍它们的著作。本书便是产生于这样的背景之下。

本书作为国内关于随机结构极限理论方面的首本著作,将在简略介绍概率论与经典极限理论基本内容的基础上,介绍一些典型的随机结构以及概率距离理论,并逐一剖析在随机结构研究中最为广泛使用的压缩法、Polya罐方法、生成函数法、矩方法、Stein方法等,它们都是现行随机结构研究领域中最为重要的方法。作者结合近年来国内外最新的研究成果和文献,形象生动地讲述了这些方法的具体应用技巧,尽量使读者能够很快地熟悉并掌握这些方法。可以说,本书是开启随机结构研究领域大门的一把很好的钥匙。

本书包含了随机结构中的众多研究方法和实例,内容系统全面,可供有关研究人员、教师阅读,也可选作研究生有关专题课程的教材。

  • 前辅文
  • 第一章 概率论基本知识
    • x1.1 预备知识
      • 1.1.1 概率空间
      • 1.1.2 随机变量
      • 1.1.3 矩、特征函数与分布
      • 1.1.4 随机变量在概率空间上的实现问题
    • x1.2 随机变量序列的各种收敛性
      • 1.2.1 依概率收敛
      • 1.2.2 a.s. 收敛
      • 1.2.3 平均收敛
      • 1.2.4 依分布收敛
      • 1.2.5 各种收敛性之间的关系
      • 1.2.6 连续性定理
    • x1.3 经典极限理论中的有关结果
      • 1.3.1 大数律
      • 1.3.2 中心极限定理
      • 1.3.3 渐近正态的收敛速度估计
    • x1.4 鞅
      • 1.4.1 条件数学期望
      • 1.4.2 鞅与相关的概念
      • 1.4.3 鞅足标的随机化
      • 1.4.4 基本不等式
      • 1.4.5 下鞅和鞅收敛的基本定理
      • 1.4.6 鞅的大数律和中心极限定理
    • x1.5 三大积分变换
      • 1.5.1 Fourier 积分公式
      • 1.5.2 Fourier 变换、Laplace 变换与它们的逆变换
      • 1.5.3 Mellin 变换
  • 第二章 随机结构
    • x2.1 图论中的基本概念
      • 2.1.1 图的概念与表示
      • 2.1.2 树的概念
    • x2.2 随机图论
      • 2.2.1 经典随机图论
      • 2.2.2 随机网络
      • 2.2.3 随机树
    • x2.3 两类典型的随机递归结构
      • 2.3.1 组合随机递归结构
      • 2.3.2 连续参数随机递归结构
    • x2.4 与数据搜索有关的随机递归结构举例
      • 2.4.1 Quickselect
      • 2.4.2 聚类合并(Mergesort)
      • 2.4.3 索回树(Tries)
    • x2.5 随机m 叉搜索树
      • 2.5.1 随机m 叉搜索树的概念
      • 2.5.2 随机二叉搜索树的子树
      • 2.5.3 随机二叉搜索树上的顶点数目
      • 2.5.4 随机二叉搜索树上随机顶点的深度
    • x2.6 均匀递归树
      • 2.6.1 均匀递归树的概念
      • 2.6.2 均匀递归树的分支数目
      • 2.6.3 均匀递归树上顶点n 的深度
      • 2.6.4 均匀递归树中的路径总长
      • 2.6.5 均匀递归树最大分支
  • 第三章 概率距离
    • x3.1 概率距离的一般性理论
      • 3.1.1 从函数空间中的距离谈起
      • 3.1.2 一般度量空间中的概率距离
      • 3.1.3 复杂距离与简单距离
      • 3.1.4 复杂距离的最小化
      • 3.1.5 理想距离
    • x3.2 lr 距离
      • 3.2.1 lr 距离的定义
      • 3.2.2 lr 距离的性质
      • 3.2.3 lr 距离的收敛性
    • x3.3 Zolotarev 距离
      • 3.3.1 Zolotarev 距离的定义
      • 3.3.2 Zolotarev 距离的基本性质
      • 3.3.3 Zolotarev 距离的收敛性
      • 3.3.4 Zolotarev 距离的Lp 版本
    • x3.4 距离的光滑化
      • 3.4.1 一致密度距离的光滑化
      • 3.4.2 全变差距离的光滑化
      • 3.4.3 其他光滑化距离
  • 第四章 压缩法
    • x4.1 压缩法的最初形式
      • 4.1.1 利用递归方程计算特征数字
      • 4.1.2 RÄosler 方法的基本思想
      • 4.1.3 不动点原理
      • 4.1.4 收敛到不动点
    • x4.2 正态逼近与距离选择问题
      • 4.2.1 关于距离的选用问题
      • 4.2.2 正态逼近问题中的距离选择
      • 4.2.3 正态分布的若干刻画定理
    • x4.3 运用Zolotarev 距离的例子与启示
      • 4.3.1 随机二叉搜索树的子树数目
      • 4.3.2 一些启示
    • x4.4 压缩法的一般形式
      • 4.4.1 递归问题的一般性提法
      • 4.4.2 压缩映射与不动点性质
      • 4.4.3 收敛定理
      • 4.4.4 K 为依赖于n 的随机变量的情形
    • x4.5 压缩收敛定理在组合结构中的应用
      • 4.5.1 组合结构中的压缩收敛定理
      • 4.5.2 转移定理的应用: 非渐近正态情形
      • 4.5.3 中心极限定理(推论5.1) 的应用
    • x4.6 极限方程退化的情形
      • 4.6.1 问题的由来
      • 4.6.2 单一分支退化情形, 渐近正态
      • 4.6.3 一些应用
      • 4.6.4 多分支退化情形
    • x4.7 连续参数情形
      • 4.7.1 参数连续情形下的一般性压缩定理
      • 4.7.2 连续参数下的中心极限定理
      • 4.7.3 周期变化情形下的有关结果
    • x4.8 关于分割树上顶点数目的讨论
      • 4.8.1 N(x) 的期望与方差
      • 4.8.2 N(x) 的中心极限定理
      • 4.8.3 适用于本节结论的一些例子
      • 4.8.4 不适用于本节结论的一些例子
  • 第五章 P¶olya 罐模型
    • x5.1 模型简介
    • x5.2 只含两种颜色球的P¶olya 罐
      • 5.2.1 P¶olya-Eggenberger 罐
      • 5.2.2 Bernard Friedman 罐
      • 5.2.3 Bagchi-Pal 罐
      • 5.2.4 Ehrenfest 罐
    • x5.3 P¶olya 过程
      • 5.3.1 Poisson 化
      • 5.3.2 反Poisson 化
    • x5.4 极限性质
    • x5.5 广义P¶olya 罐模型
    • x5.6 在随机树中的应用
      • 5.6.1 随机二叉搜索树
      • 5.6.2 m 叉搜索树
      • 5.6.3 均匀递归树
  • 第六章 生成函数
    • x6.1 单变量生成函数
      • 6.1.1 普通单变量生成函数的定义与性质
      • 6.1.2 指数型生成函数的定义与性质
      • 6.1.3 单变量生成函数的应用举例: Catalan 数
      • 6.1.4 生成函数的系数
    • x6.2 双变量生成函数
      • 6.2.1 应用示例: 有显式情形
      • 6.2.2 应用示例: 无显式情形
    • x6.3 概率生成函数
      • 6.3.1 概率生成函数的定义与性质
      • 6.3.2 概率生成函数的应用举例
    • x6.4 生成函数在随机结构中的若干应用
      • 6.4.1 均匀递归树的最大分支和最小分支
      • 6.4.2 m 叉随机搜索树上的不成功搜索
  • 第七章 经典方法在随机结构研究中的若干应用
    • x7.1 组合概率方法: 关于均匀递归树上的分支数目研究
      • 7.1.1 ³n
      • 7.1.2 一般情形
      • 7.1.3 ³n
      • 7.1.4 ³n
    • x7.2 组合概率方法: 关于Yule 树的研究
    • x7.3 独立和方法: 关于均匀递归树上的顶点间距离研究
      • 7.3.1 关于均匀递归树上顶点间距离研究的背景介绍
      • 7.3.2 均匀递归树上顶点间距离的大数律
      • 7.3.3 均匀递归树上顶点间距离的中心极限定理
    • x7.4 矩方法
    • x7.5 鞅方法
      • 7.5.1 均匀递归树的路径总长
      • 7.5.2 Barab¶asi-Albert 随机树的最大顶点度数
    • x7.6 Stein 方法
      • 7.6.1 正态逼近
      • 7.6.2 Poisson 逼近
  • 参考文献
  • 索引

相关图书