一类中立型差分方程非振动解的存在和渐近性

讨论了非线性多时滞中立型差分方程　　　　Δ(x(n) - p(n)x(n-τ) ) +q(n) ∏mi =1(x(n -σi) ) αisgnx(n-σi) =0的非振动性 .其中 :p(n) ≥ 0 ,q(n)≥ 0且不恒等于 0 ;τ ,σi 是非负整数 ,i=1,2 ,… ,m ;αi >0 ,∑mi =1αi =1;Δ是前差分算子 ,Δx(n) =x(n+1) -x(n) .利用序列及映射的构造得出了方程最终正解的存在条件 ,并且引用以指数形式趋于 0的定义讨论了非振动解的渐近性态 .     

一个新的复合函数及其均值

对任意给定的正整数k,定义函数δk（n）=max{d：d│n,（d,k）=1}.同时,对任意整数q,定义m次补数数列bm（n）为使bm（n）n=q^m成立的最小整数.文章用解析的方法研究了复合函数δk（bm（n））的均值性质,并给出了一个渐近公式.     

Banach空间上广义渐近拟非扩张型映象不动点的逼近

引入一类比渐近拟非扩张型映象更加广泛的广义渐近拟非扩张型映象,并给出具混合误差的Ishikawa迭代序列强收敛于广义渐近拟非扩张型映象的一个不动点的充要条件:设E是一Banach空间,T:E→E是广义渐近拟非扩张型映象,其渐近系数kn满足∑(kn-1)＜∞;若T在F(T)中的点处一致连续,任取一点x0∈E,{xn}是由下式定义的具混合误差的Ishikawa迭代序列{xn 1=(1-αn)xn αnTnyn un, ,yn=(1-βn)xn βnTnxn vn,n≥0其中{αn}、{βn}是[0,1]中的两个数列且∞∑n=0αn收敛,{un}、{vn}是E中两个点列且{vn}有界同时∞En=0‖un‖收敛.则{xn}强收敛于T在E中一个不动点的充要条件是lim inf D(xn,F(T))=0.     

正相协序列生成的平均移动过程的Davis大数定律的精确渐近性

{εt;t∈N*}是一严平稳零均值正相协随机变量序列,00有E|ε1|2 δ'<∞对某个ρ>0有μ(n)=0(n-ρ).给出了∞∑n=0(lognδ/nP{|Sn|≥ε√nlogn}当ε→0时的精确渐近性.     

凸度量空间内广义渐近拟非扩张映射不动点的迭代

在凸度量空间中,引入一类比渐近拟非扩张映射更加广泛的广义渐近拟非扩张型映射,并给出带误差修改的Ishikawa迭代序列收敛于广义渐近拟非扩张型映射不动点的充要条件:设X是一个完备凸度量空间,T∶X→X是一个广义渐近拟非扩张型映射,其渐近系数kn满足∑∞n=1kn< ∞,并且F(T)非空。假定{xn}n∞=1是带误差修改的Ishikawa迭代序列,在对参数的一定限制下,{xn}n∞=1收敛于T的不动点,当且仅当lim infn→∞d(xn,F(T))=0。     

关于定义在二元树上的随机变量的和的一点附注

A.Joffe和A.R.Moncayo在他们的文章[1]中,提出了一个关于定义在二元树上的随机变量的和的一个模型和极限定理。他们所提出的模型和定理可以推广如下: 模型及条件:设定义在概率空间(Q,F,P)上相互独立的随机变量X(…)构成树{X(δ_1…δ__n)},n=1,2,…;δ_1=0或1,(i=1,2,…,n)。并设它满足下列条件: 1°。设F_(δ_1…δ_n)(x)为X(δ_1…δn)的分布函数(n=1,2,…);有F_δ_1(x)=F_1(x),F_(δ_1δ_2)(x)=F_2(x),…,F_(δ_1…δ_n)(x)=F_k(x);     

具有正负系数高阶线性中立型差分方程的非振动解的存在性

考虑一类具有正负系数的高阶中立型时滞差分方程△l 1[x(n) px(n-τ)] R1(n)x(n-δ1)-R2(n)x(n-δ2)=0 其中,l∈Z ;p∈R;ι∈{1,2,…};δ1,δ2∈{0,1,2,…};{R1(n)}{R2(n)}是正实数序列.获得了上述方程在p≠士l的条件下,非振动解存在的一个充分条件.     

Banach 空间中间意义下的渐近k-严格伪压缩映象 不动点的迭代逼近

设E是实Banach空间,C是E的非空闭凸子集,T:C→C是一致L-Lipschitz的中间意义下的渐近k-严格伪压缩映象且∑∞n=1γn<∞,任取一点x0∈E,{xn}是根据xn+1=(1-αn-βn)xn+αnTnxn+βnun定义的具误差的修改的Mann迭代序列,若F(T)非空有界,在对参数的一些适当限制条件下,得到了{xn}强收敛于T的一个不动点的充要条件是lim infn→∞D (xn,F(T))=0;去掉F(T)有界的条件后对参数进行同样的限制,得到了根据xn+1=(1-αn)xn+αnTnxn定义的修改的Mann迭代序列{xn}强收敛于T的一个不动点的充要条件是lim infn→∞D (xn,F(T))=0。     

PA序列下非参数回归函数估计的相合性

设{εi,i≥1}为PA序列,Eεi=0,supjE(ε2j)<∞,对某个r>2及δ>0,supjEεjr+δ<∞,u(n)=O(n(r-2)(r+δ)/2δ),在PA序列误差下,讨论了非参数回归函数加权核估计的相合性.     

全平方数集中的除数问题

令δ(n)表示全平方数的特征函数,d(n)为n的所有除数的个数, θ(n)为n的无平方因子的除数个数.对于和式∑nxδ(n)d(n),∑nxδ(n)θ(n),给出了它们的渐近公式, 进一步改进了前人的结果.     

关于Smarandache函数与除数函数的均值问题

利用初等和解析方法,研究了Smarandache LCM函数SL(n)与Smarandache函数S(n)以及除数函数δ_α(n)的混合函数δ_α(n)(SL(n)-S(n))2的均值问题,并得到一个较强的渐近公式。     

一致L-Lipschitz的渐近伪压缩非自映象不动点的迭代逼近

Chidume首次提出渐近非扩张非自映象、一致L-Lipschitz非自映象的定义,并证明了所引入的迭代序列强收敛于渐近非扩张非自映象的不动点.该文引入渐近伪压缩非自映象的概念,并对一致L-Lipschitz的渐近伪压缩非自映象T提出了具误差的修改的Ishikawa迭代序列{xn}.设K是实Banach空间E的收缩核,P是从E到K上的非扩张的收缩映象.若存在严格增加函数φ:[0,∞)→[0,∞),φ(0)=0,(E)j(xn+1-x*)∈J(xn+1-x*)使得〈T(PT)n-1xn+1-T(PT)n-1x*,j(xn+1-x*)〉≤kn‖xn+1-x*‖2-φ(‖xn+1-x*‖),(A)n≥1,x*是T的不动点,在对参数的一些限制条件下,本文证明了迭代序列{xn}强收敛于非自映象T的不动点x*,其目的是把对渐近伪压缩映象的迭代结果推广到渐近伪压缩非自映象上,从而推广了以前的结果.     

Banach空间中渐近非扩张映射的迭代序列的强收敛性

研究如下定义的序列的收敛性x0∈C,yn=βnT^nxn (1-βn)xn,xn 1=anT^nyn (1-an)x,n=0,1,2…其中0≤an,βn≤1,T是从Banach空间中闭凸子集到自身的渐近非扩张映射。     

NA样本下艾拉姆咖分布参数的经验Bayes检验

【目的】研究NA样本下艾拉姆咖分布参数的经验Bayes检验问题。【方法】在同分布负相协(NA)随机列{X1,X2,…,Xn}下,利用概率密度函数的变窗核估计方法,讨论了艾拉姆咖分布参数θ的经验Bayes检验问题。【结果】首先得到了经验Bayes检验函数δn(x),然后证明了δn(x)的渐近最优性。【结论】在适当的条件下,利用相关引理和不等式,可获得参数θ的经验Bayes检验函数δn(x)的收敛速度为Ο(n~(-1/2))。     

关于Banach空间中有限多个渐近伪压缩映像的迭代格式

设E是实Banach空间,K是E的非空有界闭凸子集,设Ti:K→K,i=1,2,…,N,是N个一致渐近L-Lipschitzian,具序列{ε(i)n}的一致渐近正则和具序列{k(i)n}的渐近伪压缩映像,其中{k(i)n}和{ε(i)n},i=1,2,...,N满足某些适当条件.对给定的x1∈K,给出了一个关于映像Ti,i=1,2,…,N的具扰动映像的混合迭代格式.证明了由此迭代格式生成的序列{xn}满足:xn-Tlxn→ 0(n→∞),l∈{1,2,…,N}.     

PA序列Davis大数定律的精确渐近性

设{Xi;i≥1}是一严平稳零均值PA随机变量序列,EX12>0,σ2=EX12 2∑∞j=2EX1Xj,并且0<σ2<∞.令Sn=∑ni=1Xi,n≥1.利用部分和Sn的弱收敛定理,证明了当ε→0时,∑∞n=1(logn)δnP{Sn≥εnlogn}的精确渐近性成立.     

一类鞅差序列加权和的Baum-Katz大数定律的精确渐近性

设{(ξ1,ζ1),1≤i＜∞)为适应的鞅差序列,{Cnk:1≤k≤n}为双下标常数列,文章获得了一类鞅差序列加权和Sn=n∑k=1Cnk(ξ)k的Baum-Katz大数定律的精确渐近,给出了∑n≥＞1nr/p-2P(|Sn|≥∈n1/p),∑n≥11/P(|Sn|≥∈n1/p)当∈→0时的精确渐近性.     

相对极值超曲面的Bernstein性质

设x:M→A~(n+1)是一个局部严格凸的超曲面,由Ω(<)A~n上的凸函数x_(n+1)=f(x_1,…,x_n)定义.考虑M上的相对度量G~α=p~(α+1)∑δ~2f/x_ix_jdx_idx_j,其中P=(det(δ~2f/δx_iδx_j))-1/n+2,α为常数.作者对由一个四阶偏微分方程的凸解所给出的局部严格凸超曲面进行了研究,给出了这个非线性偏微分方程凸解的Bernstein性质的证明.     

NA样本下艾拉姆咖分布参数的经验Bayes检验

【目的】研究NA样本下艾拉姆咖分布参数的经验Bayes检验问题。【方法】在同分布负相协(NA)随机列{X1,X2,…,Xn}下,利用概率密度函数的变窗核估计方法,讨论了艾拉姆咖分布参数θ 的经验Bayes检验问题。【结果】首先得到了经验Bayes检验函数δn(x),然后证明了δn(x)的渐近最优性。【结论】在适当的条件下,利用相关引理和不等式,可获得参数θ 的经验Bayes检验函数δn(x)的收敛速度为Ο(n-1/2) 。
     

广义渐近拟非扩张型映象不动点的逼近

本文讨论了Banach空间中非空闭凸子集上的广义渐近拟非扩张型映象的迭代逼近问题,给出了具误差的修改的Ishikawa迭代序列{xn}强收敛到广义渐近拟非扩张型映象T不动点的充要条件：设E是Banach空间,C是E中的非空闭凸子集,T∶C→C是广义渐近拟非扩张型映象,其渐近系数kn满足∑∞n=1（kn-1）〈∞,又设F（T）有界,且T在F（T）中的点处一致连续。任取一点x0∈C,{xn}是根据xn＋1=αnxn＋βnTnyn＋γnunyn=ξnxn＋ηnTnxn＋δnvn定义的具误差的修改的Ishikawa迭代得到的,其中{un},{vn}是C中的两个有界点列,{αn},{βn},{γn},{ξn},{ηn},{δn}是[0,1]中的6个数列且满足αn＋βn＋γn=1,ξn＋ηn＋δn=1,∑∞n=1βn〈＋∞,∑∞n=1γn〈＋∞。则{xn}强收敛于T的不动点的充要条件是limn→∞infd（xn,F（T））=0,其中d（x,A）为x到集合A的距离。本文的结果推广改进了文献[1-7]中的结论。