平稳随机变量序列的经验过程的弱收敛性

设{ξ_π)是强平稳随机变量序列,ξ_π服从[0,1]中均匀分布,F_π(t,ω)是ξ_1(ω),…,ξ_π(∞)的经验分布,序列{ξ_π}的经验过程{y_π}由下式定义:     

部分线性模型中M型回归样条估计的一些新结果

考虑下列部分线性模型Y_1-X′_1β_0+g_0(T_1)+e_i,1≤i≤n,其中(T_1,X_1,Y_1),…,(T_n,X′_n,Y_n)是随机向量(T,X′,Y)的 i.i.d.样本,X∈R~d,T∈[0,1],β_0为未知参数向量,g_0是一光滑未知函数.这个模型在文献[1]中首次被提出,文献中研究过β_0和 g_0(t)的估计,例如,基于惩罚函数法的平滑样条估计;基于核方法的估计;用分段多项式来逼近 g_0,基于最小二乘法的估计.由于上述估计不稳健,文献[8]用分段多     

关于Pettis积分的一个注记

设X是自反Banach空间,x(t)是从[0,1]到X的抽象函数。 定义1 称x(t)是满足局部几乎Lipschitz条件的,是指存在一个Lebesgue零测集E,使得对任何t∈[0,1]\E,都有t的邻域O(t)和常数M_t>0,当任意     

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     

同伦单纯轮迴算法

我们证明了以下定理: 定理1 设I~m=[a_1,b_1]×…×[a_m,b_m],{T~(?)i)为I~m×[0,1]的正常单纯剖分序列,H:I~m×[0,1]→R~m为同伦,H~(-1)(0)={(x,t) H(x,t)=0,(x,t)∈I~m×[0,1]}。已给η>0,我们记Z_η={(x,t)∈I~m×[0,1]|ρ((x,t),H~(-1)(0))<η},其中ρ为点(x,t)到集合H~(-1)(0)的距离。则存在     

任意信源相对熵密度的若干性质

其中log是自然对数。f_n(ω)称为{X_i,1≤i≤n}的相对熵密度。考虑{f_n,n≥1}在一定意义下的极限是信息论中的一个重要问题(参见文献[1]及其所引文献)。本文目的是要研究这个问题和给定值在{x_n}中的频率的某些关系。     

低维有限点集偏差的精确计算公式(Ⅲ)

本通信是文献[1]和[2]的继续.设d≥2,S_d={u_k(l≤k≤n)}是d维单位立方体G_d=[0,1)~d中的有限点集,u_k=(u_(1,k),u_(2,k),…,u_(d,k)满足u_(1.1)≤u_(1.2)≤…≤u_(1.n). 令u_0=(u_(1.0),u_(2.0),…,u_(α.0)=(0,0,…,0),u_(n 1)=(u_(1,n 1),u_(2,n 1),…,u_(d.n 1))=(1,1,…,1).对于每个l_1(l_1=0,1,…,n)按递增顺序排列 u_(2.j)(j=0,1,…,l_1,n 1),并将它们记作     

赋Orlicz范数的Orlicz空间的凸系数

以[Ｘ,‖·‖]记Ｂａｎａｃｈ空间,Ｘ的凸系数定义为:ε0(Ｘ)=ｓｕｐ{ε∈[0,2]:δＸ(ε)=0}.此处δＸ(ε)=ｉｎｆ{1-‖(ｘ+ｙ)/2‖:‖ｘ‖≤1,‖ｙ‖≤1,‖ｘ-ｙ‖≥ε}是Ｘ关于ε的凸性模,ε∈[0,2].凸系数表征空间单位球的总体凸性程度,在逼近论、控制论等众多学科中有重要应用.如所周知,ε0(Ｘ)=0等价于空间的一致凸;ε0(Ｘ)<2等价于空间的一致非方.由于Ｌｐ,ｌｐ(ｐ>1)是一致凸空间,其凸系数自然等于零.而Ｏｒｌｉｃｚ空间则不然.Ｈｕｄｚｉｋ等人[1]、王保祥等人[2]及崔云安[3]已对赋Ｌｕｘｅｍｂｕｒｇ范数的Ｏｒｌｉｃｚ空间的凸系…     

多目标参数规划中最优向量值函数的K-凸性

本文主要讨论了多目标参数最优化问,题s.t.l(x,y),x〔C(y),.所定义的最优向量值函数: f.(梦)- rsup{f(x,,)}二〔c(,)},c(,)铸咬, 一co,C(,)~咬的价凸性(包括K一eonvex,K一eonvexlike,K一subeonvexlike).这里f:R.xR一,R‘,c是R.到R“的约束集值映象. 在引用实函数的凹一凸性、似凹一凸性和广义似凹一凸性定义的同时,我们还定义了约束集值映象c的凹凸性、拓扑闭包凹凸性及‘凸包凹凸性. 构造一个辅助性多面体集合:D一{·。R,:·,。,客一‘}CR;1,,峪 (每个元素的分量不少于0). 再定义一个辅助实值函数: F:r xD一R,F(y,:)一:T(p(,)。 引…     

Bi-2223相厚膜银夹套带材的力学行为

设0≤a≤b≤1,G°(I)表示区间I=[0,1]上所有连续自映射之集.对任f∈G°(I),如果存在常数α>1,使得对任x_1,x_2∈[a,b],都有|f(x_2)-f(x_1)|≥α|x_2-x_1|,则称f在[a,b]上是扩张的,称α是f[a,b]的一个扩张常数,若在I上存在着k 1个点0=c_0相似文献   

非自治时滞微分方程的渐近稳定性

许多人口动力学模型都能转化为下列形式的时滞微分方程x(t) λx(t) f(t,x(t-ι_1),…,x(t-ι_m))=0,t≥0,(1)其中具有生物意义的平衡状态被转化为(1)式的零解,全文均假设λ>0,ι_i>0(i=1,…,m),ι=(?)以及f∈C([0,∞)× R~m,R)且满足-a(t)M_t(-(?))≤f(t,(?)(t-ι_1),…,(?)(t-ι_m)≤a(t)M_t(?),t≥0,(2)其中(?)∈C_t(H)={(?)∈C([t-ι,t,]R):‖(?)‖_t=(?)|(?)(S)|相似文献   

关于Sturm-Liouville型本征值问题配置解的校正方法

§1。引言 在量子力学中经常需要求解所谓Sturm-Liouville型本征值问题:这里P(t)≥(?)>0,p(t)≥(?)>0,(?)t∈[0,1]。 数值求解(1)式通常可采用有限差分法,有限元素法与配置法,其中配置法以简单有效最常用。它的计算方法是:取[0,1]上等距结点,t_i=ih,i=0,…,n,h=1/n。用Q(t)表示三次B样条函数,配置解{λ_h,y_h}由代数本征值问题决定,即令     

部分线性模型参数分量的M估计的渐近正态性

Engle等人提出了下列部分线性模型Y_i=X_i~tβ_0 g_0(T_i) u_i,1≤i≤n其中(T_1,X_1~t,Y_1),…,(T_n,X_n~t,Y_n)是随机向量(T,X~t,Y)的i.i.d.样本,U_i为随机误差,U_1,…,U_n与(T_1,X_1~t),…,(T_n,X_n~t)相互独立,X∈R~d,T∈[0,1],β_0为未知参数向量,g_n是一光滑未知函数.文献中,有许多学者讨论了关于这个模型的估计问题,包括惩罚函数法、基于分段多项式逼近的最小二乘法和基于核函数近似的最小二乘法.由于上述方法得到的估计不稳健,本文用分段多项式逼近g_0讨论较稳健的M估计.记g_n(t)=(?)(t)~ta为一分段m阶多项式,其段数为M_n,其中(?)(t)是一函数向量,β_0和     

二参数正态过程的马尔科夫性

设t(t_1,t_2)为平面上的点(图1),R_+~2=(t:t_1≥0,t_2≥0)中Borelσ-代数记为β。ξ={ξ,(ω),t∈R_+~2}为概率空间(Ω,(?),P)上的实值随机过程。t(t_1,t_2)≥s(s_1,s_2)如t_1≥s_i,i=1,2,R_t=(s:s_1≤t_1或s_2≤t_2),(?)=σ{ξ(?),s∈R_1},即括号中变量产生的σ-代数。称ξ为二参数马尔科夫过程(二马程),如对任意有界β可测函数f,任意u=(u_1,u_2)>t=(t_1,t_2)∈R_+~2,有     

随机康托集和从属过程产生的分形的测度性质

设μ是直线上的Lebesgue测度,(Ω,g,P)=([0,1],B([0,1]),μ)~N,N={1,2,…},{X_n,n∈N}是(Ω、g,P)上的独立随机变量列,(?)_ω=(ω_1,ω_2,…)∈Ω,X_n(ω)=ω_n,(n∈N),对a.s.的ω∈Ω,存在一个随机半序<,使     

非线性退缩椭圆型方程的Dirichlet问题

其中p(x)=dist(x,ω),ω(?)Ω.K>0,0≤口α_i<1, g,h是给定函数,我们假定 g:(?)×R→R是连续函数;g=g(x,s)对一切x∈(?)关于s∈R是C~1的奇函数,g_s~1(x,s)≈pg_1(x)|s|~(p-1),s充分大,     

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   

布尔函数的单调分解定理

对于n元布尔函数f:{0,1}~n→{0,1},如果对于任意X_1,X_2∈{0,1}”,当X_1≤X_2时有f(X_1)≤f(X_2),称f(X)为单调上升函数,当X_1≤X_2时有f(X_2)≤f(X_1),称f(X)为单调下     

中立型泛函微分方程的一致渐近稳定性

一、 引言在文献[1,2]中Hale和cruz研究了中立型泛函微分方程dD(t)_x_g/dt=f(t,x_1)的一致渐近稳定性,对于f(t,φ)作了有界性的假设,即f:[τ,∞)×(C的有界集)→(R~n的有界     

折扣马尔可夫决策规划最优策略的结构

本文所研究的马尔可夫决策规划:{S,(A(t),i∈S),q,r,V_s},其中状态空间S、每个状态可用的行动集A(i)(i∈S)均为可列集,转移律q是时齐的,报酬函数r是有界的,折扣目标是V_β(β∈(0,1))。其主要结果如下: