具有4阶矩的无界函数指标集上经验过程的概率不等式

设{Xn}是概率空间(Ω,Γ,P)上的随机向量序列,I是{Xn}对应经验过程的可测函数指标集合.有关函数指标集合上经验过程的概率指数不等式研究一直被条件supf∈If≤M,M>0所限制,以致对应的经验过程不能包含象样本均值和样本方差等常用的统计量,这使经验过程概率指数不等式的应用受到了极大的限制.记L4(P)={f:Ef4(Xi)<∞,i≥1,f(.)是Borel可测的实函数},在IL4(P)和独立不同分布的样本条件下,无界函数指标集I上经验过程的概率指数不等式被研究.利用一种新的对称化思想和一种新的截割概率空间的方法,无界函数指标集I上经验过程的概率指数不等式被给出.这些不等式与定理Ⅱ.33[1]以及文献[2~4]等中关于有界函数指标集上经验过程的概率指数不等式有着本质的区别.     

均匀经验过程几乎处处中心极限定理的一个注记

设{ξ1,ξ2,…,ξn}为来自［0,1］上服从
均匀分布的独立同分布样本, 产生的经验过程为Fn(t)=n-1/2∑〖DD(〗n〖〗i=1
〖DD)〗(I{ξi≤t}-t), 0≤t≤1; ‖·‖表示一致模, 即‖Fn‖=sup〖D
D(〗〖〗0≤t≤1〖DD)〗〖JB(|〗Fn(t)〖JB)|〗; U为D［0,1］上的Brown桥, ‖U‖
=sup〖DD(〗〖〗0≤t≤1〖DD)〗〖JB(|〗U(t)〖JB)|〗. 利用概率强收敛工具,
得到了关于‖Fn‖及sup〖DD(〗〖〗0≤t≤1〖DD)〗Fn(t)的形如l
im〖DD(〗〖〗n→∞〖DD)〗〖SX(〗1〖〗log
n〖SX)〗∑〖DD(〗n〖〗k=1〖DD)〗〖SX(〗1〖〗k〖SX)〗I{‖Fk‖≤x}=P{‖U‖≤x}=1
+2∑〖DD(〗∞〖〗k=1〖DD)〗(-1)ke-2k2x2 a.s.
的几乎处处中心极限定理.     

均匀经验过程的几乎处处中心极限定理

提出了一种证明可分距离空间的几乎处处中心极限定理的方法,并应用此方法证明了均匀经验过程在(D[0,1],d)空间的几乎处处中心极限定理。     

函数S-粗集

利用S-粗集(singular rough sets)，提出了函数S-粗集，给出了函数S-粗集的数学结构和特性．函数S-粗集具有两类形式：函数单向S-粗集，函数双向S-粗集．提出了函数S-粗集与S-粗集的关系定理．函数S-粗集是S-粗集的一般形式，S-粗集是函数S-粗集的特例．函数S-粗集是粗集研究的一个新方向．     

分担两个有限集的亚纯函数

研究了具有两个CM分担集的非常数亚纯函数的唯一性问题，证明了一个定理，所得结果推广了仪洪勋的部分结论．     

Hausdorff空间Borel σ-代数上的集值集函数的Alexandroff 型定理

在比Gavrilut等学者提出的更为广义的紧致条件的基础上,进一步研究了集值集函数的抽象正则性,研究了抽象正则性与连续性等性质之间的关系,以及在局部紧第二可数Hausdorff空间Borelσ-代数上的集值集函数的Alexandroff型定理。     

多元函数单向S-粗集

给出了二元函数单向S-粗集的数学结构和特性.提出了二元函效单向S-粗集与一元函数单向S-粗集、单向S-粗集的关系定理,二元函数单向S-粗集与二元函数粗集的关系定理.最后以实例说明二元函数单向S-粗集的存在.     

Gδ集与函数的连续性

本讨论了用Gδ集描述R上实函数的连续集结构，井由此得到不存在R上的实函数，使之在有理点处连续，而在无理点处不连续的重要结论。     

二元函数极限求解的方法和策略

函数极限概念与函数极限求法是近代微积分学的基础,文章对二元函数极限定义和它们的求解方法进行了归纳和总结,并在某些具体的求解方法中就其中要注意的细节和技巧做了说明,以便于我们了解函数的各种极限以及对各类函数极限计算方法。函数极限的求法有很多,每种方法都有其优缺点,对某个具体的求极限问题,我们可以根据它的类型选择最优的方法。     

一类Markov链中的若干中心极限定理

本文考虑两状态Ｍａｒｋｏｖ链中成功次数与连续成功次数的一些中心极限定理，并得到了这些定理成立的充要条件。     

广义Gamma过程的统计推断

应用Ito随机分析的方法，得到了利用广义的Gamma过程，依赖于[0,t]时间内跳量绝对值小于ε（ε＞0）的样本信息，作出参数的最大似然估计的渐近性质，并证明了当ε固定，t→∞时是强相合的；而当t固定，ε→O时，只有部分参数存在强相合估计，且所有强相合估计的a.s收敛速度符合重对数律。     

基于历史样本几何分布可靠度的经验Bayes估计

在几何分布可靠度的先验分布为幂分布时,分别在平方损失函数和熵损失函数的情况下,给出了可靠度的经验Bayes估计,并且证明了θ的Bayes解的唯一性.最后,通过实例验证了几类估计的优良性.     

B值m相依随机元列移动平均过程的随机指标中心极限定理

｛ε^t;t∈Z｝是均值为零、 二阶矩有限的B值m相依随机元列, ｛a^j; j∈Z｝是一实数序列, 定义移动平均过程X^t利用Beveridge Nelson分解及｛ε^t;t≥ 1｝的弱收敛定理, 给出｛X^t;t≥1｝ 满足随机指标中心极限定理的充分条件.     

由鞅差所产生的非平稳线性过程的随机泛函中心极限定理

在非平稳条件下, 证明了{ξ_n(t); 0≤t≤1}的所有有限维分布在条件概率PB(·)下均弱收敛到Wiener过程W的有限维分布, 进而得到随机指标和过程{ξ_νn(u);0≤u≤1}弱收敛于Wiener过程W, 其中{ν_n;n∈N}是一列满足一定条件的正整数随机变量.     

经验过程的Cesaro大数定律

给出经验过程Ｃｅｓａｒｏ大数定律成立的充要条件，建立Ｈｅｉｎｋｅｌ的结果在经验过程中的相应形式     

鞅方法与一类强偏差定理

通过极限相对对数似然比，利用随机变量截尾的方法并结合Doob鞅收敛定理这一工具研究相依连续型和离散型随机变量序列的性质，得到了一类强极限定理及用不等式表示的强偏差定理，并推广了一些经典的强大数定律。     

均匀经验过程精确渐近性的一个注记

利用经验过程的弱收敛定理和尾概率不等式, 对一般的边界函数和拟权函数得到了矩完全收敛性精确渐近性的一般形式.