SLUTSKY定理的推广

Ｓｌｕｔｓｋｙ定理指出：如果随机变量序列｛Ｘ１ｎ｝，｛Ｘ２ｎ｝，…，｛Ｘｍｎ｝分别依概率收敛到ｍ个有限常数ａ１，ａ２，…，ａｍ，那么任意一个有理函数Ｒ（Ｘ１ｎ，Ｘ２ｎ，…，Ｘｍｎ）也依概率收敛到常数Ｒ（ａ１，ａ２，…，ａｍ），只要Ｒ（ａ１，ａ２，…，ａｍ）有限．本文从两个方面推广了这一结果：第一，若上述随机变量序列分别依概率收敛到随机变量Ｘ１，Ｘ２，…，Ｘｍ，ｇ（ｘ１，ｘ２，…，ｘｍ）是ｍ维欧氏空间Ｒｍ上的连续函数，则ｇ（Ｘ１ｎ，Ｘ２ｎ，…，Ｘｍｎ）依概率收敛于ｇ（Ｘ１，Ｘ２，…，Ｘｍｎ）．第二，若上述随机变量序列分别收敛到ｍ个有限常数ａ１，ａ２，…，ａｍ，又Ｂｏｒｅｌ可测函数ｇ（ｘ１，ｘ２，…，ｘｍ）在点（ａ１，ａ２，…，ａｍ）处连续，则ｇ（Ｘ１ｎ，Ｘ２ｎ，…，Ｘｍｎ）依概率收敛到ｇ（ａ１，ａ２，…，ａｍ）．     

概率论中斯鲁茨基定理的两个拓广

若随机变量列Ｘ_（１ｎ）（ω），Ｘ_（２ｎ）（ω），…，Ｘ_（ｋｎ）（ω）分别依概率（或几乎处处）收敛于常数ｃ_１，ｃ_２，…，ｃ_ｋ，而ｆ（ｘ_１，ｘ_２，…，ｘ_ｋ）是ｋ维欧几里得空间Ｒ￣ｋ中在点（ｃ_１，Ｃ_２，…ｃ_ｋ）连续的波勒尔可测函数，则随机变量ｆ（ｘ_（１ｍ）（ω），…，Ｘ_（ｋｎ）（ω）也依概率（相应地，几乎处处）收敛到常数ｆ（ｃ_１，ｃ_２，…，ｃ_ｋ）。这是概率论中斯鲁茨基定理的拓广。     

B值一致渐近鞅的局部收敛性及大数定律

设（Ω，Ｆ，Ｐ）是概率空间，Ｂ是ｐ阶一致光滑空间，Ｘ＝（Ｘｎ，Ｆｎ，ｎ≥１）是Ｂ值一致渐近鞅，则有：（１）｛∑∞ｎ＝１Ｅ（‖ｄＸｎ‖βＭ‖ｄＸｎ‖β－１＋Ｍβ／Ｆｎ－１）＜∞，１≤β≤ｐ，Ｍ＞０，ｓｕｐｎ≥１‖Ｘｎ‖＜∞｝｛Ｘｎ收敛｝（２）｛∑∞ｎ＝１Ｅ（‖ｄＸｎ‖β（Ｍｎ）‖ｄＸｎ‖β－１＋（Ｍｎ）β／Ｆｎ－１）＜∞，Ｍ＞０，１≤β≤ｐ｝｛Ｘｎｎ收敛于０｝（３）若对任意的ｘ≥０及ｎ≥１，均有Ｐ（‖ｄＸｎ‖≥ｘ）≤ａＰ（Ｙ≥ｘ），其中Ｙ是一正实值随机变量，ＥＹ＜∞，Ｅ（Ｙｌｎ＋Ｙ）＜∞，ａ是一正实数，那么Ｘｎｎａ．ｓ．收敛于０．上述结论推广与改进了若干熟知的重要结果     

无平均数集与无模n平均数集

我们称Ｚｎ＝｛０,１,…,ｎ－１｝的一个子集Ｘ是无模ｎ平均数集,如果对于所有｛ｘ,ｙ,ｚ｝Ｘ,ｘ＋ｙ≠２ｚ（ｍｏｄｎ）。我们记ｒ（ｎ）＝ｍａｘ｛｜Ｘ｜｜Ｘ是无模ｎ平均数集｝,Ｒ′（ｎ）＝ｍａｘ｛｜Ｘ｜｜Ｘ是无模ｎ平均数集,且对于所有｛ｘ,ｙ｝Ｘ,２Ｘ≠２ｙ（ｍｏｄｎ）｝。在本文中,我们证明了：当ｎ为奇数时,Ｒ′（ｎ）＝Ｒ（ｎ）,Ｒ（２ｎ）＝２Ｒ（ｎ）;当ｌ≥２ｎ－１时,Ｒ′（ｌ）≥ｒ（ｎ）;当ｌ≥２ｎ－２时,Ｒ（ｌ）≥ｒ（ｎ）;Ｒ′（ｎ）≤Ｒ（ｎ）≤ｒ（ｎ）     

矩形区域上均匀分布的一个性质

设｛Ｘｔ＝（Ｘ１ｔ，Ｘ２ｔ，…，Ｘｐｔ｝ｔ＝１，２，…，ｎ｝是矩形区域Ｄ＝｛ｘ＝（ｘ１，ｘ２，…，ｘｐ）│αｉ≤ｘｉ≤ｂｉ，ｉ＝１，２，…，ｐ｝上的均匀分布的样本，Ｘ（１），Ｘ（２），…，Ｘ（ｎ）是Ｘ１，Ｘ２，…，Ｘｎ的次序统计量。     

关于弱基与度量化

本文证明了几个弱基度量化定理，主要结果如下：（１）拓扑空间Ｘ是可度量化当且仅当Ｘ有弱基Ｂ满足如果对每个收敛序列｛ｘｎ｝→ｘ及ｘ的每个开邻域Ｕ，存在ｍ∈Ｎ，使得Ｔ（ｘ，ｍ）∪→∪（ｘ，ｍ）且仅在Ｂ的限多个元素与Ｔ（ｘ，ｍ）及Ｘ－Ｕ相交，其中Ｔ（ｘ，ｍ）＝｛ｘｎ：ｎ≥ｍ｝∪｛ｘ｝；（２）拓扑空间Ｘ是可度量化当且仅当Ｘ有一个弱展开Ｇ１，Ｇ２…，使得对每个自然数ｉ及任意Ｕ１，Ｕ２∈Ｇｉ＋１且Ｕ１∩∪２≠Φ     

矩形域上Bernstein多项式的Lipschitz常数

设ｆ（ｘ，ｙ）是定义在矩形域Ｂ：＝｛（Ｘ，ｙ）｜０≤ｘ≤１，０≤ｙ≤１｝上的任一实值函数，Ｂｍｎ（ｆ；ｘ，ｙ）是与之相应的（ｍ，ｎ）次Ｂｅｒｎｓｔｅｉｎ多项式．本文证明了：若ｆ（ｘ，ｙ）是Ｌｉｐｓｃｈｉｔｚ连续的，即ｆ（ｘ，ｙ）∈ＬｉＰＡａ，那么对所有正整数ｍ，ｎ都有Ｂｍｎ（ｆ；ｘ，ｙ）∈ＬｉｐＢａ．这里Ｂ＝Ａ且在一定意义下，常数Ｂ是最好的．上述结果被推广到了高维区域的情形．     

φ混合样本回归函数核估计的强一致收敛速度

设Ｘ和Ｙ分别是ｄ维和１维随机变量,（Ｘ,Ｙ）～Ｆ（ｘ,ｙ）。（Ｘｊ,Ｙｊ）,ｊ＝１,２,…,ｎ为来自（Ｘ,Ｙ）的样本。讨论了当样本为平稳φ混合随机序列时,回归函数ｍ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的核估计ｍｎ（ｘ）（Ｎａｄａｒａｙａ于１９６４年提出的）的强一致收敛速度。在其他条件不变的情况下,得出了与独立样本相同时的强一致收敛速度。     

带有n-1阶差分项的n阶差分方程解的振动性及渐近性

讨论了高阶差分方程Δｎｘ（ｋ） ＋ ｐ（ ｋ）Δｎ － １ ｘ（ ｋ） ＋ ｑ（ ｋ） ｆ（ ｘ（ ｇ１（ ｋ）） ,…,ｘ（ ｇ ｍ（ ｋ））） ＝ ０ ． ｋ ∈ Ｎ（０） 解的振动性及渐近性问题． 这里Δ表示差分算子：Δｘ（ｋ） ＝ ｘ（ｋ ＋ １） － ｘ（ ｋ） ,Δｍｘ ＝ Δ（Δｍ － １ ｘ） ,ｍ ＝ １ ,２ ,…,ｎ ,Δ０ ｘ ＝ ｘ ;ｎ（ ａ） ＝ ｛ａ ,ａ ＋ １ ,…｝ ．     

分布函数间散布序的性质

设Ｆ、Ｇ是两个分布函数，记Ｘ＾＋Ｆ（ａ）＝ｓｕｐ｛ｘ：Ｆ（ｘ）＜ａ｝，ＸＦ（ａ）＝ｉｎｆ｛ｘ：Ｆ（ｘ）＞１｝，ＸＦ（ａ）＝Ｘ＾＋Ｆ（ａ）＋ＸＦ（ａ））／２，α∈（０，１），［３］提出了分布函数间的一种散布序。     

n个图的逻辑积的色数和边色数

证明了图的逻辑积的色数公式ｘ（Ｇ１∧Ｇ２∧…∧Ｇｎ）≤ｍｉｎ｛ｘ（Ｇ１），ｘ（Ｇ２），…，ｘ（Ｇｎ）｝，边色数有并作如下猜想：ｘ（Ｇ１∧Ｇ２∧…∧Ｇｎ）＝ｍｉｎ｛ｘ（Ｇ１），ｘ（Ｇ２），…，ｘ（Ｇｎ）｝．     

高斯随机变量序列的收敛性和抽象Wiener空间

研究Ｇａｕｓｓ随机变量序列的０－１律与相关的抽象Ｗｉｅｎｅｒ空间．主要结果如下：设｛Ｆｎ（ｗ）｝是概率空间（Ω，，Ｐ）上的Ｇａｕｓｓ随机变量序列．若对任何实数是高斯随机变量，则有收敛或１。     

二次极值的分布之重极限律

｛Ｘｍ，ｎ；ｍ，ｎ≥１｝是两个下标的独立同分随机序列，Ｍ＾（ｋ）（ｍ，ｎ）ｇｅ ｆｉ Ｘｍ，１…，Ｘｍ，ｎ的第ｋ是最大值，Ｙ＾（ｔ）（ｍ，ｎ；ｋ）表示Ｍ＾（ｋ）（１，ｎ），…，Ｍ＾（ｋ）（ｍ，ｎ）的第ｌ个最大值。     

截断数据场合非参数回归分析的收敛性问题

截断数据场合非参数回归分析的收敛性问题肖庆宪，丁承杰设Ｘ为ｄ维随机变量，Ｙ为一维可积随机变量，（Ｘ＿１，Ｙ＿１），（Ｘ＿２，Ｙ＿２），…，（Ｘ＿ｎ，Ｙ＿ｎ）为ｎ次独立同分布的观察。为了估计回归函数ｍ（ｘ）＝Ｅ［Ｙ／Ｘ＝ｘ］，构造统计量其中Ｒ＿ｄ上的一...     

极值分布的受限吸引场的充要条件

对独立同分布随机变量序列｛Ｘｎ｝的分布函数Ｆ（ｘ）作了新的限制，使ＶｏｎＭｉｓｅｓ条件仍成为Ｆ（ｘ）属于三大吸引场的充要条件     

关于En中有限点集的最近任意维平面

在Ｅｎ中，与给定有限点集中点的距离的平方和取值最小的ｋ维平面称作该点集的最近ｋ维平面。该文证明，有限点集的最近ｋ维平面有如下性质：Ｅ＾ｎ中有限点集｛Ａｉ（ｘ１ｉ，ｘ２ｉ，…，ｘｎｉ）｜ｉ＝１，２，…，ｍ｝的最近ｋ（１≤ｋ≤ｎ－１）维平面π是通过该集的重心。     

平稳高斯序列超过数点过程与部分和的联合渐近分布

｛Ｘｎ｝为标准化平稳高斯序列，Ｎｎ为Ｘ１，Ｘ２，，Ｘｎ对水平ｕｎ（ｘ）的超过数形成的点过程，ｒｎ＝ＥＸ１Ｘｎ＋１，Ｓｎ＝∑ｎｉ＝１Ｘｉ．ｒｎｌｏｇｎ→０时，在一定条件下得到Ｎｎ与Ｓｎ的渐近独立性．     

一个带多约束的整数瓶颈问题的Primal算法和Threshold算法

在这篇文章中，我们讨论了数学模型１：ｍａｘｆ（ｘ），ｘ∈｛ｘ｜ｘ＝（ｘ１，ｘ，…，ｘｎ），∑＾ｎｊ＝１ａｉｊｘｊ≤ｂｉ，ｉ＝１，２，…，ｍ，ｘｊ≥１且为整数｝，其中ｆ（ｘ）＝ｍｉｎ１≤ｊ≤ｎ｛ｃｊｘｊ｝且∑＾ｎｊ＝１ａｉｊ     

SOR迭代法收敛性判定

在简述内容的基础上，给出了当Ｊａｃｏｂｉ迭代阵‖Ｂ‖ｍ＝∑↑ｎ↑ｉ＝１ｂ＾（ｉ）≥１，ｂ＾（ｉ）＝ｍａｘ↓１≤ｊ≤ｎ｛ｂｉｊ｝时ＳＯＲ迭代法收敛的充分条件及误差估计式。将收敛的限制由‖Ｂ‖〈１部分地扩充到‖Ｂ‖ｍ≥１上。     

B值随机元阵列加权和的收敛性与大数定律

令｛Ｘｎｉ，１≤ｉ≤ｋｎ↑∞，ｎ≥１｝为Ｂ值随机元阵列，｛ａｎｉ，１≤ｉ≤ｋｎ，ｎ≥１｝为实数阵列。讨论加权和Ｓｎ＝Σ↑ｋｎ↓ｉ＝１ａｎｉＸｎｉ，ｎ≥１的收敛性。在条件ｓｕｐ↓ｎ，ｉＰ（‖Ｘｎｉ‖〉ｘ）＝０（ｘ＾－ｒ）下给出了一些收敛性结果（１≤ｒ〈ｐ≤２），同时用这种收敛性刻划了Ｂａｎａｃｈ空间的ｐ型性质。