基于多项式的函数序列一致收敛的性质

针对文中一个关于多项式函数序列一致收效性质的命题，提出了若改变区间条件或对多项式作一定的限制，则谊命题不成立．并得出在一定条件下，多项式序列必定一致收敛于多项式。     

基于多项式的函数序列一致收敛的性质

针对文[1]中一个关于多项式函数序列一致收敛性质的命题,提出了若改变区间条件或对多项式作一定的限制,则该命题不成立.并得出在一定条件下,多项式序列必定一致收敛于多项式.     

ARMA模型广义偏相关函数估计的强收敛速度

本文证明了[1]提出的ARMA模型的广义偏相关函数估计和[2]提出的入函数和θ函数估计具有强收敛速度O(loglogT/T)~(1/2)     

一致收敛函数序列的一个性质及其应用

建立一个一致收敛函数序列的性质,并应用这一性质求解一类幂指型数列的极限.     

一致收敛概念及极限函数保留函数序列良好性质的研究

本文从分析一致收敛概念的本质出发,研究了极限函数保留函数序列连续性的充分条件,极限函数保留函数序列可微性的充分条件。     

复模糊值函数级数的广义一致收敛和亚一致收敛

利用模糊数的序关系和分解定理讨论了复模糊值函数级数收敛性,得出了复模糊值函数级数收敛、一致收敛、正则收敛、广义一致收敛、亚一致收敛的条件及一致收敛、广义一致收敛和正则收敛的关系准则。     

回归函数的混合型核估计的一致强收敛速度

设(X,Y)为取值于R~d×R~1的随机变量,(X_i,Y_i) i=1,2,…,n是取自(X,Y)的i·i·d·的样本,E|Y|<∞.用m(x)=E(Y|X=x)表示回归函数。m(x)的一种重要的核估计是Stone(1977)提出了一种把经典的最小二乘估计与非参数的权函数估计结合起来去估计m(x)的方法。在这篇文章里,讨论了把上述核估计与最小二乘估计结合起来所得的m(x)的混合型核估计的强一致收敛速度。     

关于函数序列的广义收敛

研究了一类具下确界形式的函数序列的Mosco收敛,文中的定理1首先在比Moreau-Yosida逼近函数（Moreau-Yosida approximate)更广泛的意义下得出了类似的结论,在此基础上部分地推广了关于Moreau-Yosida逼近函数的Mosco收敛的结果。     

一类函数序列的一致收敛性及应用

利用推广的Ｇｒｏｗｎｗａｌｌ不等式，证明了一类函数序列在所论区间上的一致收敛性，从而给出了两类Ｌｉｅｎａｒｄ方程的两条特殊轨线的逼近解。     

函数空间弱收敛与随机过程依分布收敛

设ξ_n(n=1,2,…)为一列随机过程,它的有限维分布收敛。本文用迫近法给出ξ_n依分布收敛的准则.     

L—统计量的非一致性收敛速度

本文研究了高阶矩条件下L—统计量的非一致性收敛速度,得到了与独立和类似的收敛速度。     

ARMA模型MA参数的G－M估计及其渐近正态性

本文利用样本逆自相关系数给出ＭＡ参数的一种估计方法，并证明利用此方法求得的多数估计的渐近正态分布性质。     

非时齐跳跃Markov过程序列到扩散过程的弱收敛

本文给出了非时齐跳跃Markov过程序列弱收敛于非时齐扩散过程的一般性定理。利用这一定理,证明了非负非时齐跳跃Markov过程序列弱收敛于Brownian Excursion和经验分布过程弱收敛于Bown桥。     

预处理Gauss-Seidel迭代方法渐近收敛率的单调性

研究带参数预处理的改进Gauss-Seidel迭代法对非奇异M-矩阵的收敛性,证明了当所有预处理参数αi满足0≤αi≤1时, 其迭代矩阵的谱半径是单调下降的,从而其渐近收敛率是单调上升的.并给出了一个矩阵系列,其迭代矩阵的谱半径当所有预处理参数αi=1时达到最小值,亦即此时其渐近收敛率达到最大值.这些反例说明,Gauss-Seidel迭代法的迭代矩阵的谱半径的单调性当αi〉1时将不能得到保证.     

随机窗宽下经验若当变换的收敛速度

给出了随机窗宽下的核型经验若当变换，在一空条件下，获得了此经验若当变换中心在原点的一致精确强收敛速度以及对中心一致的一致强收敛速度，所得结果与最优性与非随机窗宽下的核型经验若当变换一致，并以近邻核型经验若当变换为典型实例。     

线性模型中经验Bayes估计的收敛速度

考虑了线性模型Ｙ＝θ＋ε中参数θ的经验Ｂａｙｅｓ估计问题，在对ε的密度函数的连续可微性给以较一般限制的条件下，构造了θ的渐近最优经验Ｂａｙｅｓ估计并且给出了这个估计的收敛速度。