Banach空间值独立随机变量序列尾和的重对数律

本文描述了Banach空间值随机变量序列尾和的重对数律。证明了下面的定理:设{X_n,n≥1}是独立B-值随机变量序列,EX_n=0,E‖X_n‖~2=σ_n~2,sum from 1=1 to ∞σ_i~2<+∞,则条件(1)和(2)包含此批s_n~2=sum from i=n to ∞σ_i~2     

Hilbert空间中独立随机变量序列分布的弱收敛性

讨论了独立随机变量和在Hilbert空间中的某些弱收敛性以及它们所构造的统计量S2n的极限若分布情况.所得结果对金融,保险等经济上与时间有关的问题具有估计、预测的实用价值.     

NA随机变量序列强收敛性的若干结论

研究不同条件下NA随机变量序列的强收敛性的几个结论,对已有的某个结果进行推广,使之成为推论;并推广了NA随机变量序列在非同分布情形的结果,所得结论充实了强极限方面的内容.     

复值独立随机变量序列的收敛性

得到与复值独立随机变量序列收敛性有关的几个定理.     

B－值随机变量序列尾和的重对数律

本文利用Ｌｅｄｏｕｘ和Ｔａｌａｇｒｘｎｄ的Ｉｓｏｐｅｒｉｍｅｔｒｉｃ方法，将尾和形式的Ｋｏｌｍｏｇｏｒｏｖ重对数律推广到Ｂ－值随机变量序列情形，进而得到一般形式Ｂ－值随机变量序列的尾和重对数律，同时对独立同分布Ｂ－值随机变量序列得到了配重尾和的重对数律。     

可测空间上的gλ测度的一些结果

本文首先在Ｂｅｒｒｅｓ的结果的基础上讨论了可测空间上的ｇλ测度、信任测试与超可加测度的关系以及ｇλ测度的无穷级数性质，其次讨论了ｇλ测度的概率性质，证明了类似概率率论中的Ｋｏｌｍｏｇｏｒｏｖ ０－１律的Ｂｏｒｅｌｋ ０－１律对ｇλ独立事件列仍然成立。     

W—空间上的抽象变分不等式

提出了Ｗ－拟凸（凹）的概念，得出了Ｗ－拟凸（凹）的等价命题；然后在Ｗ－空间框架下讨论了抽象变分式不等式，得到了它们的解的若干存在性定理推广和改进了文〖１〗中定理４，２、定理４，、的紧性和连续性条件。     

NOD随机变量序列加权和的矩完全收敛性

在分析NOD随机变量序列加权和的矩完全收敛性的基础上,利用一些矩不等式及截尾等处理方法,将矩条件推广到更具一般化的情况,并由此证明NOD随机变量序列加权和的矩完全收敛性的充分性,同时深化和推广了一些现有文献的结论。     

END随机变量加权和的最大值序列的完全收敛性

众所周知,END随机变量是一类包含独立变量、NA变量以及NOD变量在内的非常广泛的相依变量.在适当的权系数和矩条件下,我们研究了END随机变量加权和的最大值序列的完全收敛性.作为应用,得到END随机变量加权和的强大数定律.所得结果推广NA变量和NOD变量的相应结果.     

一类自相似Volterra Gauss过程的遍历变换

提出了一类X的在坐标空间上的保测变换,推广了这一结果,证明了这些保测变换是遍历的,得出了一类Volterra型的自相似Gauss过程的遍历变换.     

高斯过程下的有限项部分和重对数律

在约束条件下,将标准维纳过程中的有限项部分和的重对数律推广到高斯过程中,获得了渐近不相关条件下,高斯过程中的有限项部分和的重对数律。     

复合随机场在Skorohod拓扑中的一个弱收敛定理

本文讨论了定义在概率空间（Ω，Ｆ，Ｐ）上的复合随机场ξε（ｖε和ξ０（ｖ０）在Ｓｋｏｒｏｈｏｄ拓扑中的关系，从而得到了一个当ε→０时，ξε（ｖε）弱收敛于ξ０（ｖ０）的性质及其推论。     

一类受白噪声扰动群聚模型的动力学行为

利用Ito公式和重对数律, 研究一类受白噪声扰动群聚模型的动力学行为. 首先, 证明两个个体的群聚模型呈无条件群聚现象; 其次, 对N个个体的群聚模型, 在一定条件下证明其系统发生强随机群聚现象.     

随机变延迟微分方程平衡方法的收敛性和稳定性

利用全隐式数值方法—平衡方法讨论一类随机变延迟微分方程的收敛性和稳定性. 首先, 证明该方程数值解以1/2阶均方收敛到精确解; 其次, 证明该方法能保持解析解的均方稳定性; 最后, 通过数值实验验证理论结果的正确性.     

可能性空间中学习过程一致收敛速度的界

在概率空间上统计学习理论是机器学习的重要组成部分.在概率空间上统计学习理论中一致收敛速度的界有重要的意义,利用经验风险最小化原则,这些界决定了学习机器的推广能力.本文在可能性空间中讨论了学习过程一致收敛速度的界,给出了一致收敛速度的界的估计并讨论了这些界和函数集容量之间的关系.     

集值转移测度的J_L收敛的等价条件

首先给出了集值转移测度的一些基本性质,讨论了集值转移测度的收敛的等价条件,即设在{M(ω,.),Mn(ω,.),n≥1}pfc(X)条件下,(JL)Mn(ω,.)→M(ω,.)等价于{Mn(ω,.)}在线形拓扑(Pfc(X),JL)意义下收敛到M(ω,.)。     

Gauss波包的几何描述

改进了R.Penrose的方法,对自由粒子的Gauss波包波函数(概率幅度)赋予了更清楚的几何描述.并将波包中含有的每一个可能k值的平面波,解释为随机过程的一个可能的周期性样本函数,进而解释了“几率包的收缩“.     

EM算法正确收敛性的探讨

该文对高斯混合体 EM算法的正确收敛性问题进行了理论研究 ,证明了高斯混合体 EM算法在混合密度的重叠度很小时 ,在其样本真解相一致的解的一个邻域内是一个压缩映射 .该文还得到了高斯混合密度的 EM算法正确收敛性条件 ,并对此进行了理论证明和数值验证 .理论分析和数值实验结果表明 ,高斯混合密度的 EM算法的正确收敛性与混合密度的重叠度密切相关 .