φ混合序列自正则加权和的中心极限定理

设｛X_n, n≥1｝为一严平稳φ混合随机变量序列, EX=0,V²_n为一实数阵列, 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｛S_n/V_n, 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.     

LPQD列生成线性过程部分和的精确渐近性

设{ε_t;t∈Z^{+}是一严平稳零均值的LPQD随机变量序列, 并且02₁<∞, σ2, 0<σ2<∞, {a_j; j∈N }是一实数序列, 定义线性过程X_t. 利用弱收敛定理和矩不等式, 对一般的拟权函数和边界函数, 证明了{M_n}和{S_n}的精确渐近性.}     

一类具有随机足标的最大值的极限分布

设｛εｉ｝是一列随机变量,Ｍｎ＝∨ｉ＝１＾ｎεｉ．｛Ｎｎ｝是一列非负整值随机变量。在假定｛Ｍｎ｝与某随机变量相依地关联着某个信值过程的情况下,分别讨论了｛Ｍｎ｝的极限分布,得到充分必要的条件。     

随机元阵列加权和大偏差原理

设｛Ｘｎ,ｉ;１≤ｎ,ｎ≥１｝是取值于Ｂａｎａｃｈ空间的随机元阵列,｛ａｎ,ｉ,１≤ｉ≤ｎ,ｎ≥１｝是实数阵列。在较一般的条件下,证明了｛１／ｎΣ（ｎ,ｉ＝１）ａｎ,ｉＸｎ,ｉ;ｎ≥２｝的大偏差原理,并讨论了其在有限滑动平均和与Ｃｅｓａｒｏ和大偏差原理中的应用。Ｂｏｌｔｈａｕｓｅｎ与Ｂａｘｔｅｒ和Ｊａｉｎ的相应结果可视作特例。     

随机游动一个派生链的性质

设｛Ｘｎ，ｎ≥０｝为随机游动，令Ｔ０＝０，Ｔｊ＝ｍｉｎ｛ｎ＞Ｔｊ－１；Ｘｎ－ｘｎ－ｚ＞０｝，ｊ≥１，本文在条件Ｐ（Ｔｊ＜∞）＝１下，讨论了派生链的常返性与正常返性。     

随机发展方程在Hoelder范数下的大偏差原理

对ε〉０,Ｘ＾ε＝｛Ｘ＾ε（ｔ）≥０｝是由如下随机发展方程ｄＸ＾ε（ｔ）＝√εσ（Ｘ＾）（ｔ）ｄＷ（ｔ）＋ｂ（Ｘ＾ε（ｔ）,Ｙ（ｔ）ｄｔ Ｘ＾ε（０）＝０ 控制的Ｒ＾ｄ值随机过程,其中Ｗ（ｔ）是一般概率空间（Ω,ｆ,Ｐ）上取值于Ｒ＾ｄ的Ｂｒｏｗｎ运动。讨论了｛Ｘ＾ε〉０｝在Ｈｏｅｌｄｅｒ范数下的大偏差原理,将Ｗｉｅｎｅｒ空间上的结论推广到一般概率空间上,此结果比经典的Ｗｅｎｔｚｅｌｌ－Ｆｒｅｉｄｌ     

由强混合序列生成的线性过程重对数律的精确渐近性质

设{ε_t,t∈Z}为定义在同一概率空间(Ω,F,P )上的严平稳随机变量序列, 满足Eε₀=0, E|ε₀|^p<∞, 对某个p>2, 且满足强混合条件. {a_j, j∈Z}为一实数序列, 利用由强混合序列生成的线性过程的弱收敛定理及矩不等式讨论了在b_n=O(1/log log n)的条件下的一类加权级数的收敛性质.     

非参数密度估计量对于一个连续时间非平稳过程的相合性

令｛Ｘｔ,ｔ≥０为定义在Ｒ＾ｄ１上的随机过程,它由模型Ｘｔ＝ｚ１＋ψ（Ｚｔ）＋εｔ所确定,其中对于ｔ≥０,εｔ和Ｚｆ是相互独立的两个随机向量,而｛ｚｔ｝是非随机变量。对于连续观察的样本,研究了非参数密度估计量在均方误差意义下的渐近行为,即分别当｛ｚｔ｝渐近收敛和有周期时的情况下非参数估计量的相合笥或非相合性。     

一类随机过程经验测度的大偏差

给出了{(Xε,Zε(t));ε>0,t∈[0,T]}的经验测度的大偏差速结果.Xε(t)满足下面的随机微分方程:dXε(t)=εdB(t) b(Xε(t),Zε(t))dt Xε(0)=x,Zε(t)为n个状态随机过程.     

Functional limit theorem for moving average processes generated by dependent random variables

Let ｛Xt,t≥1｝ be a moving average process defined by Xt=∑∞j=0bjξt-j, where ｛bj,j≥0｝ is a sequence of real numbers and ｛ξt,-∞＜t＜∞｝ is a doubly infinite sequence of strictly stationary ?-mixing random variables. Under conditions on ｛bj,j≥0｝ which entail that ｛Xt,t≥1｝ is either a long memory process or a linear process, we study asymptotics of Sn(s)=∑［ns］t=1Xt (properly normalized). When ｛Xt,t≥1｝ is a long memory process, we establish a functional limit theorem. When ｛Xt,t≥1｝ is a linear process, we not only obtain the multi-dimensional weak convergence for ｛Xt,t≥1｝, but also weaken the moment condition on ｛ξt,-∞＜t＜∞｝ and the restriction on ｛bj,j≥0｝. Finally, we give some applications of our results.     

零和自由序列F(5)的刻画

设G是有限阿贝尔群,S是元素在G中的平方自由,零和自由序列。f(S)表示G中满足如下条件的元素的个数:可以表示成S的一个非空子序列和的元素的个数。已知当|S|=5时,有f(S)≥13。刻画了当f(S)=13时S的所有情形。     

m相依样本概率密度函数核估计的相合性

设｛Xn,n≥1｝为严平稳的m相依随机变量序列, f(x)为X₁的概率密度函数, 基于样本X₁,X₂,…,X_n, 构造了密度函数f(x)的核估计, 并利用独立同分布样本的性质证明了f(x)核估计的r阶平均相合、 逐点相合和一致强相合性.     

部分和模1(mod 1)分布渐近均匀性的收敛速度

设｛Ｘj｝是独立同分布随机变量序列,｛Ｓn｝是其部分和序列,ξ（Ｓn）表示Ｓn的小数部分,本文讨论了ξ（Ｓn）渐近Ｕ［０,１）均匀分布的收敛速度,即估计supB∈B［０,１)｜P(ξ(Ｓn)∈B)-P(U∈Ｂ)｜。     

随机序列几乎处处中心极限定理的注记

设{S_k, k≥1}为一随机序列, 满足几乎处处中心极限定理; {T_k, k≥1}为一随机序列, 几乎处处收敛到0或1. 利用极限理论证明{S_k+T_k, k≥1}和{S_k/T_k, k≥1}也满足几乎处处中心极限定理, 并给出其线性过程、 自正则和、 线性模型中误差方差估计、 部分和乘积等实例.     

线性过程的大数定律与中心极限定理

设{Xt}是一个线性过程Xt=∑∞j=0cjεt-j,其中{cj}是常数列,{εi,Fi}是一个适应的鞅差序列,∑∞j=0cj2Eε2t-j<∞,t=1,2,….本文利用线性过程的Beveridge-Nelson分解,得到了一类线性过程的大数定律和中心极限定理,推广和改进了Philips和Solo文中的相应结果.     

ρ~--混合序列部分和乘积的几乎处处中心极限定理的注记

设{X_n,n≥1}是一严平稳的ρ~--混合随机变量序列,利用矩不等式及加权和的中心极限定理,得到了一般权重下ρ~--混合序列部分和乘积的几乎处处中心极限定理.     

集值极限鞅的Riesz逼近及其收敛性

假设（X,||·||）为可分的Banach空间, X^*为其对偶空间. 设(Ω,B,P)为完备的概率空间, {B_n, n≥1}为B的上升子σ-域族, 且B=∨B_n. 证明了集值极限鞅的Riesz逼近定理, 并在此基础上, 给出了集值极 限鞅在Kuratowski Mosco收敛意义、 Kuratowski收敛意义及弱收敛意义下的收敛定理.