关于ρ混合不变原理

设{乓,k>l}为一列随机变量序列,记笋卜,(x‘,a(i《b),质r:=了璧,若{x。,k)l}满足 sup sup〕Jcov(苦,刀)}, 无托萝k,”〔挤乞。斌币蕊礴~丽可一 《p(n)杏0,则称它为p混合的. M.peligrad〔‘,在二阶矩存在且习pllZ(2”)0其中S(n)一习x‘; 111)习p(2”)相似文献   

典型相关与广义相关系数

设x和y分别为p×1、q×1随机向量,协方差矩阵为记ρ_i(x,y)为x与y的第i个典型相关系数,即且ρ_1(x,y)≥…≥ρ_t(x,y)>0,t=R(Σ_(xy))。这里A~-和R(A)分别表示A的广义逆和秩。本文证明了如下三个定理。定理1 设q≤r=R(Σ_(xx)),则q×1随机向量y满足cov(y)=l_q,且使达到最     

Markov过程的若干联合分布

本文对某些Markov过程,研究了它的停时(Stopping time或Optional time)h(ω)、位置x(h)、协停时(Co-optional time)、l(ω)、位置x(l)四者的联合分布,并应用于d≥3维Brown运动,求出了对称稳定过程首出球点与末离球点的联合分布密度.设Z(?){x(t,ω),t≥0}为定义在概率空间(Ω,(?)、(?),P)上的时齐、右连续有左极限的强Markov过程,取值于可测Polish空间(E,(?)),简记x(t,ω)为x(t)或x_t推移算子θ_t.称h(ω)为停时,如它取值于[0,∞],而且(?)≥0,(h(ω)≤t)∈(?).称l(ω)为协停时,如它为(?)可测、非负,而且(?)_t≥0,有假设:(i)(?)≥0,在t相似文献   

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

ARCH(p)模型的严平稳遍历性和高阶矩

其中α_o>0,α_i≥0,i=1,2,…,p,{ε_t}是i.j.d随机序列,Eε_t=0,Eε_t~2=1.称模型(1)为ARCH(p)(Autoregressive conditional heteroscedasticity)模型.它由Engle首先引入并被广泛地用于计量经济建设,如通货膨胀率、兑换率、利率和股票价值(应用文献见J.of Econometrics,52(1992),1～311及其所引文献).但关于模型(1)的严平稳遍历性和高阶矩存在的条件,至今尚无满意的结果,而这些条件是时间序列统计推断的基础.Nelson对ARCH(1)给出了严平稳遍历的充要条件,他的结果无法推广到ARCH(p)的情形.Bougeral和Picard给出了ARCH(p)存在严平稳遍历解的充要条件,但他们在同一篇文章中又指出这一条件的验证是非     

无界报酬折扣模型中ε(≥0)最优策略的性质

我们研究绝对平均相对有界折扣模型{S,(A(i),i∈S),q,r,V_β},其中S,A(i)(i∈S)均为可列集,q是时齐的,r满足 (1)存在数集{r(i):r(i)>0,i∈S}使得 (2)存在数d>0,使得以及V_β是折扣准则。 本文证明的关键是我们引入了如下概念:在策略π下,于时刻n可达的状态;可实现的历史。并引     

算子半群谱的一个特征

设x为Banach空间,T(t)是x上的(O,A)类半群,A为T(t)的无穷小母元.设{2kπi}_(k∈Zρ(A),对每个k∈Z,我们定义算子Q_k如下:     

具有有势平移不变迁移的广义简单排它过程不变测度集之构造

设S是可数集,x={0,1,…,m)~s. P=(P(x,y))_(x,y∈s)为S上的转移概率矩阵。g(·)为{0,1,…,m}上的严格增函数且g(0)=0.我们称过程({η_t},Pη)为一个广义简单排它过程若它由如下母元所唯一决定     

环Z/(2e)上本原序列最高权位的0,1分布(Ⅱ)

设f(x)=x~n c_(n-1)x~(n-1) … C_0是Z/(2~e)上首一多项式,适合关系式a_(i n)=-(c_0a_i c_1a_(i 1) … c_(n-1)a_(i n-1)),i=0,1,2,…(1)的Z/(2~e)上序列a=(a_0,a_1,…)称由f(x)生成的线性递归序列,由f(x)生成的Z/(2~e)上的所有序列的集合记为G(f(x))_e,并记G’(f(x))_e={a∈G(f(x))_e│a≠0 mod 2}.递归式(1)等价于关系式f(x)a=0=(0,0,…),其中x表示移位算子,即xa=(a_1,a_2,a_3,…).Z/(2~e)上序列a有唯一权位分解a=a_0 a_12 … a_(e-1)2~(e-1),其中a_i=(a_(i0),a_(i1),…)是0,1序列,并称a_i是a的第i权位序列,称a_(e-1)为a的最高权位序列.对Z/(2~e)上首一n次多项式f(x),若f(0)(即c_0)是可逆元,则由文献[1],f(x)的周期per(f(x))_e≤2~(e-1)(2~n-1).当per(f(x))=2~(e-1)(2~n-1)时,称f(x)是Z/(2~e)上n次本原多项式,并称G’(f(x))_e中序列为f(x)生成的本原序列.文献[2]给出了本原多项式的系数     

正常返长程排它过程不变测度集与可逆测度集的构造及遍历性定理

设S是可数集,X {0,1}~S,其上赋乘积拓扑({0,1}赋散拓扑),σ(X)表x上的Bovel σ域,P(X)表X上全体概率测度,p(u,v)u,v∈S是转移概率矩阵,长程排它过程P(t,η,A)t≥0,η∈X,A∈σ(X)是描述如下模型的马氏过程:以η_t∈X表时     

关于具有随机足标的最大值

本文设{ξ_i}与{X_i}是概率空间（Ω,F,P）上的两列随机变量,其中{X_i}是i.i.d具有公共分布函数F（x）.记 M_n==Vξ_i,M_n=VX_i以及[t]表示t的最大整数部分. 在i.i.d.情形,具有随机足标的最大值的极限分布的主要结果如下（参看文献[1],定理6.2.1）: 定理1 设a_n>0,b_n∈R,n≥1,使 P（M_n≤a_nx b_n）→G(x,) n↑∞,（1）其中G是非退化的分布函数。如果一列非负整值随机变量{N_n}满足     

带有停时的倒向随机方程解的存在性

设是一个完备的概率空间,{(?)_t}_t≥0是一族满足通常条件的(?)的子б-域流;(W_t)_(t≥0)是d-维标准Brown运动。为了讨论方便,我们假定{(?)}是由Brown运动{Wt}产生的б-域流,即。设是(?)_t停时,它取值于[0,∞]。本文采用以下记号: 是(?)_t-适应过程,使得 是(?)_t适应过程,使得 是关于(?)_t可测的随机变量使得; 对任意的,定义(X,Y)的范数易证(?)是一个Banach空间。     

关于U-统计量的Marcinkiewicz大数律

设x_1,…,x_n…为一串i.i.d.随机变量序列,m≥1固定,h(a_1,…,a_m)为其m个变元的对称函数,以h(a_1,…,a_m)为核的U-统计量定义为假定: E|h(x_1,…,x_m)|~r<∞,0相似文献   

一类扩散过程的随机控制

设∑:{Q,(?),P,(?)~t,W_t)为概率基,即指(Q,(?),P)为概率空间,((?)_t:t≥0)为(?)的单调不减子σ代数,{W_t}为关于(?)_t的d维布朗运动(d≥1)。 在∑上考虑扩散过程ξ_t的控制问题,ξ_1满足方程:     

可单位分解多个交换算子的摄动

设x是Banach空间,(X)是X上有界线性算子全体,a=(a_1,…,a_n)(X)为交换组,sp(a,x)记J.L.Taylor意义下的联合谱。a称为m可单位分解的(m≥2为固定自然数):若对C~n的任意m开覆盖{G_j}_(j=i)~m,存在与a可换的算子{V_j}_(j=i)~m(V_j称为a的局部投影算子)和a的不变子空间{X_j}_(j=i)~m满足:若对任意自然数m≥2,a是m可单位分解的,则a称为可单位分解的。     

渐近Bayes判别

设(θ,X),(θ_1,X_1),…,(θ_n,X_n)是取值于{0,1}×R~d的iid随机向量,P(θ=0)=P_0,P(θ=1)=P_1=1—p_0,而X在给定θ=i时的条件密度是f_i(x),i=0,1.记D(x)=P_1f_1(x)—P_0f_0(X),则I{D(x)≥0}(X)是θ的Bayes判别函     

调和Hardy空间和混合模空间之间的连续嵌入

设D={x∈R~n;λ(x)<0}是一具有光滑边界的有界区域,λ∈C~∞(R~n)是D的一个定义函数,(?)λ在(?)D={x∈R~n;λ(x)=0}的某个邻域内处处不为零.对r>0,我们以dσ_r和dσ分别记(?)D_r={x∈R~n; λ(x)=-r}和(?)D上的n-1维Hausdorff测度,而以dm记R~n中的Lebesgue测度D上复值调和函数的全体记h(D)对f∈h(D)及非负整数m,置grad_mf为f的m阶梯度,其模为此处α=(α_1,α_2,…α_n)为n重指标,|α|=α_1+α_2+…+α_n,grad(?)=f.对0相似文献   

中值滤波中的循环序列(Ⅱ)

1背景与说明本文中k始终表示一个固定正整数,k≥2设x={x(n)}_(n=0±1,…)是一个实数列,对每一n,用x~(1)(n)表示{x(m)}_(n-k≤m≤n+k),这2k+1个数由小到大重排后位于中间的那一项.通过这样的重排运算,x={x(n)}变成一个新的实数列x_(1)={x~(1)(n)},它称为x的中值滤波.对x~(1)又可进行中值滤波,其结果记为x~(2)={x~(2)(n)}.一般地x~(p)={x~(p)(n)}表示x通过p次中值滤波后的实数列,其中x~(0)=x.若x(1)=x,则x称为中值滤波的根,关于根已有系统且完备的研究.若x~(1)≠x,但有s≥2使x~(s)=x,则x称为s次循环序列.关于循环序列已经有下面的命题若x={x(n)}是循环序列,则(i)x中任何长为k+1的段落都是二值的;(ii)x本身是二值的.本文证明:任何循环序列都是二次循环的     

Weibull分布的形状参数估计

设X_1,X_2,…,X_n是i.i.d.,其共同分布是Weibull分布W(x)=1-exp(-λχ~β),其中λ>0是刻度参数,β>0是形状参数。如何估计形状参数在寿命分析中有重要地位,极大似然估计是众所周知的,方开泰给出了利用矩性质的估计。本文利用指数分布的矩性质给出了估计形状参数的新方法。令Y=X~β,则Y服从参数为λ的指数分布。众所周知,EY~2/(EY)~2=EX~(2β)/(EX~β)~2=2,在该式中用样本矩代替总体矩 (Sum from i=1 to n(X_i~(2β)))/(Sum from i=1 to n(X_i~β))~2=2/n,(1) 若(?)_n是方程(1)的解,它可作为β的估计。这一思想可推广到一般情况。令g=g(x_1,x_2,…,x_k)是变量x_1,x_2,…,x_k的函数,且满足     

对称矩阵的非对称结合方案

设x是含有.。个元素的一个集合,凡(‘~O,l,…,刃是x xx的具有如下性质的子集合: (i)R。一{(x,x)Ix〔X}. (11)X XX~R。U…UR‘,R,门R,一必,i钾1. (111)‘R‘一R,·,其中i‘〔{0,l,…,甘},‘R,一{(x,y)}(,,x)(R‘}. (iv)对于润,夕,天〔{0,1,…,d},无论(x,夕)〔R.怎样选取,满足(x,z)〔R‘,(:,y)。凡的,的个数是一个常数,记作麟. 那么称.少产~(X,{R‘}“‘刁为x上具有‘个结合类的结合方案L1J。非负整数p轰称为月犷的相交数。 如果一个结合方案还满足 (v)户志一洲么,vi,夕,灸〔{o,1,z,…,d},则称这个结合方案是交换的。 如果一个结合…