NA序列Chung型对数律的精确渐近性质

令{ξn,n≥1}为零均值严平稳的负相伴(NA)随机变量序列,满足Eξ12∞和0σ2=Eξ12+2∑k=2∞Eξ1ξk∞.记Sn=∑k=1n ξk,Mn=∑ k=1n|Sk|,n≥1.利用NA序列中心极限定理和概率不等式,对边界函数和拟权函数得到了Chung型对数律的精确渐近性质.     

WOD样本下密度函数核估计的一致强相合性

设{X_n,n≥1}是同分布的WOD随机变量序列,具有共同的密度函数f(x),利用WUOD序列的指数不等式,在适当的条件下获得了WOD样本下密度函数核估计的一致强相合性.     

AANA随机变量的完全收敛性

设X{n,n≥1}为被随机变量X随机控制的AANA(asymptotically almost negatively associated)随机变量序列,a{n,n≥1}是正常数列.在适当的矩条件下,研究了AANA随机变量加权和max1≤k≤n a-1n∑k i=1Xi的完全收敛性.作为该结果的应用,得到了一些关于AANA随机变量序列完全收敛性的新结果.     

非负AANA随机变量序列逆矩的渐近逼近

设{Zn,n≥1}是非负AANA随机变量序列,{wni,1≤i≤n,n≥1}是非负的三角常数列,并记Xn=∑ni=1wniZi.在一阶矩有限的条件下,可以获得非负AANA随机变量序列逆矩的渐近逼近,所得结论推广了已有的研究成果.     

一类鞅差序列加权和的Baum-Katz大数定律的精确渐近性

设{(ξ1,ζ1),1≤i＜∞)为适应的鞅差序列,{Cnk:1≤k≤n}为双下标常数列,文章获得了一类鞅差序列加权和Sn=n∑k=1Cnk(ξ)k的Baum-Katz大数定律的精确渐近,给出了∑n≥＞1nr/p-2P(|Sn|≥∈n1/p),∑n≥11/P(|Sn|≥∈n1/p)当∈→0时的精确渐近性.     

ρ-混合序列的重对数律矩收敛的精确渐近性

假设{X_n,n≥1}为一列严平稳ρ-混合随机变量,期望为零,方差有限。设S_n=n∑i=1X_i,M_n=max1≤i≤n |S_i|。利用ρ-混合随机变量的矩不等式和中心极限定理,得到了一类ρ-混合随机变量序列部分和以及部分和的最大值重对数矩收敛的精确渐近性。     

一条强大数律的注记

本文主要结果为鞅差序列{X_i,J_i,i≥1}服从强大数律的充分条件为(1) sum from i=1 to ∞(E[|X_i|~p/a~p_i+|X_i|~p|J_(i-1)]<∞,0相似文献   

■混合随机变量列L_p收敛性

设{Xn;n≥1}是ρ珓混合随机变量序列,{an,k;1≤k≤n}是实数阵列,利用矩不等式和截尾方法,研究n∑k=1 an,kXk的Lp收敛性,所获的结论推广和改进了前人的相关结果.     

条件半鞅的极小值不等式

给出了F-半鞅和非负F-半鞅的极小值不等式,后者将序列{cnSn,n≥1}的极小值不等式推广为序列{cng(Sn),n≥1}的极小值不等式,这里{Sn,n≥1}是非负F-半鞅,{cn,n≥1}是不减的正F-可测随机变量序列,g是不减的凸函数.     

α-弱相依序列加权和的几乎处处中心极限定理

设{Xn,n≥1}为一零均值有界的α-弱相依序列,满足∑∞i=1θi<∞;{ani,1≤i≤n,n≥1}为一实值三角阵列;令Sn,k=∑ki=1aniXi,1≤k≤n.利用随机变量加权和的弱收敛定理与Borel-Cantelli引理,在适当的假设条件下,给出了非平稳有界的α-弱相依序列加权和Sn,n的几乎处处中心极限定...     

M-Z型序列的最大值不等式和大偏差定理

设{Xn,n≥1}为p阶M-Z型序列,Sn(a)=∑i=a+1 a+n Xi,n≥1,a≥0且Xi∈Lp,i≥1.讨论了M-Z型序列的最大值不等式和大偏差定理,得到了p≥2情形下的估计μ(|Sn(a)|>n)≤cn-p/2以及p∈(1,2]情形下的估计μ(|Sn(a)|>n)≤cn1-p.最后给出了M-Z型序列部分和的最大值序列m ax1≤k≤nSk(a)和混合序列部分和Sn(a)的大偏差定理.     

非平稳序列M(1)n和M(2)n的联合分布

{ξi,I≥1}为标准化的正态序列,rij=Cov(ξi,ξj).M(k)n是{ξi,I≥1}第k个最大值,L (k) n是其出现的位置,文章在条件:j-I→∞时rijlog(j-I)→γ∈(0,∞)下,得到了M(1)n和M(2)n的联合渐近分布.     

φ混合序列自正则加权和的中心极限定理

设{Xn, n≥1}为一严平稳φ混合随机变量序列, EX=0, V 2n=∑ni=1X2i, {an,i, 1≤i≤n, n≥1}为一实数阵列, Sn=∑ni=1an,iXi. 利用随机变量阵列的弱收敛定理, 在较一般的条件下, 证明了自正则加权和{Sn/Vn, n≥1}的中心极限定理, 改进并推广了已有混合序列自正则化中心极限定理的相关结果.     

由AANA序列生成线性过程的中心极限定理

考虑线性过程■,其中{Xn,n≥1}是均值为零且方差有限的渐近几乎负相依(AANA)随k=-∞∞∞n机变量序列,{a_k,k∈Z}是一实数列,满足■,在适当的假设下,利用AANA序列的矩不等式及线性过程{Y_t≥1}的收的收敛性,给出AANA序列生成线性过程的中心极限定理.     

幂赋范下偏正态分布极值的收敛速度

令{Xn,n≥1}是独立同分布随机变量序列并且每个变量均服从偏正态分布.再令Mn=max{Xk,1≤k≤n}表示{Xn,n≥1}的部分最大值,得到了幂赋范下最大值分布的渐近分布和赋范常数以及幂赋范下相应的逐点收敛速度.     

箱样条曲面的单调性

引理1 设X_(s+1)={e~1,…,e~s,e~1+…+e~s},ξ∈X_(s+1),如果对于所有的i∈Z~s,都有C_(i+ξ)≥C_i,则箱样条曲面S(x)=■C_iΦ_i(x|X_(s+1))在ξ方向上是单调非降的。其中Φ_i(x|X_(s+1))是箱样条函数。定理1 设X_n={x~1,…,x~n}■Z~s■{0},对任意1≤i≤n,〈X_n■{x_i}〉=R~s,令I_k={j|Φ_j(x|X_n■{x~i})■0,x∈suppΦ_k(x|X_n■{x~i})},M_k=■(C_(j+x~i)+C_j)则箱样条曲面S(x)=∑C_jΦ_j(x|X_n),x∈R~S(1)在x~i方向上单调非降的必要条件是     

Riemann可积的充要条件

设 f:[a,b]→R,P={x_i|a≤x_0相似文献   

混合对数正态分布最大值的极限分布

设{Xn,n≥1}是独立同分布的随机变量序列,并且每个随机变量Xn服从混合对数正态分布.Mn=max{Xk,1≤k≤n}表示{Xn,n≥1}的部分最大值,同服从混合对数正态分布的独立随机变量最大值的极限分布以及相应的赋范常数.     

非平稳LNQD序列部分和的精确渐近性

设{Xn,n≥1}为零均值,方差有限的非平稳LNQD随机变量序列,利用最大协方差系数u(n)=supk∈Nj:|j∑-k|≥n|Cov(Xj,Xk)|→0(n→∞)解除了序列是平稳的条件限制,推广了已有的一些随机变量序列部分和的精确渐近性结果。     

一类广义波方程的低正则性

利用等价积分算子和Fourier变换的方法，研究高维空间中一类广义波方程Uu-△^mu p(x,D)u=u^k(x∈R^n,m、k∈Z^ ,k≥1，|p(x,ξ)|≤C|ξ|^2m-1）的低正则性，得到了其Sobolev指数为n/2-m/k-1。