关于有限非齐次马氏链状态序偶频率的一个强大数定律

设{X_n,n≥0}是以S={1,2,…,m}为状态空间的非齐次马氏链,i,j(?)S,S_n(i,j,w)是序偶列(X_0,X_1),(X_1,X_2),…,(X_(n-1),X_n)中序偶(i,j)出现的次数,本文利用绝对平均收敛的概念给出关于S_n(i,j,w)/n的一个强大数定律。     

关于一类极限定理的信息条件Ⅱ

设{X_n,n≥0}是在E={1,2,…,m}中取值的随机变量序列,A_n(i,j,ω)是序偶列(X_0,X_1),(X_1,X_2),…,(X_(n一1),x_n)中序偶(i,j)出现的次数。本文引进{X_i,O≤i≤n}相对于马尔科夫分布的相对熵密度偏差的概念,并利用这个概念研究A_n(i,j,ω)/n的极限性质。     

整值随机变量序列的一类无规则性定理

设{Xn, n≥1)是在E=(1,2,…}中取值的随机变量序列,{Yn,n≥1}是一列选择函数[1,3],本文引进对数似然比这个概念作为{Xn,n≥1}相对于服从几何分布的独立随机变量序列的偏差的一种度量,得到了关于整值随机变量序列的一类无规则性定理。     

有限非齐次马氏链的一个强大数定律

设{x_n,n≥1}是一有限非齐次马氏链,S_n(k)是序列 x_1,x_2,…,x_n中状态 k 出现的次数,A_n(k,l)是序偶序列(x_1,x_2),(x_2,…,x_3),…,(x_n,x_(n+1))中状态序偶(k,l)出现的次数.本文给出关于 S_n(k)/n 与A_n(k,l)/S_n(k)的强大数定律成立的一个充分条件.     

高斯序列多水平超过的点过程之弱收敛

设 {Xn,n≥ 1 }是标准化非平稳高斯序列 ,rij=cov(Xi,Xj) ,Nn是 {Xn,n≥ 1 }超过r个水平un,1 ≥un,2 ≥… ≥un ,r 形成的平面点过程 .当rij满足一定条件时 ,点过程Nn 在 ( 0 ,∞ )×R上依分布收敛于极限点过程N ,即Nn →N ,(n →∞ ) .     

关于马尔可夫链平稳分布定义的几点注记

马尔可夫链平稳分布有两种不等价的定义: 定义1 设{x(n),n=0,1,2,…}为马氏链,E={0,1,2,…)为状态空间。若对An及i∈E,有 P{X(n)=i}=P{X(o)=i}=P_i 则称{P_i,i∈E}为马氏链的平稳分布。定义2 设{x(n).n=0,1,2,…}为马氏链,E={0,1,2,…}为状态空间,P_(ij)为一步转移概率,{π_i,i∈E}为概率分布。若{π_i,i∈E}满足方程组π_i=sum from j=0 to ∞π_j P_(ji) ,i=0,1,2,…则称{π_i,i∈E}为马氏链的平稳分布。本文通过一系列定理,对这两种定义进行比较,从而看出它们的异同点。     

关于任意信源的一类强偏差定理

设{Xn，n≥0)是字母集为S={1，2，…，m)的任意信源，其联合分布为p(x1,…，xn),利用相对于非齐次马氏信源熵密度偏差的概念，研究任意离散信源的极限性质，得到了一类用不等式表示的强极限定理(称之为强偏差定理)。     

M值随机变量序列与Markov链的比较及其强偏差定理

设Ｘｎ,ｎ≥０是在Ｓ＝１,２…,ｍ中取值的随机变量序列,ｉ,ｊ∈ｓ,Ｓｎ（ｉ,ｊ,ω）是序偶列（Ｘｏ,Ｘ１）,（Ｘ１,Ｘ２）,…,（Ｘｎ－１,Ｘｎ）中序偶（ｉ,ｊ）出现的次数,本文利用似然比＾「１」这一概念,作为Ｘｎ,ｎ、≥０与Ｍａｒｋｏｖ链偏差的一种度量,并通过限制似然比,给出样本空间的一个子集Ｄ（Ｃ）,在此子集上得到一类与Ｍａｒｋｏｖ链有关的强偏差定理。     

平稳ρ—混合序列的经验过程的弱收敛性

令{Xn,n≥0}是强平稳,ρ—混合相依序列。并假定ρ（n）=0(n-1+λ)（λ>0）。在本文中证明了由{Xn}生成的经验过程是弱收敛于某个高斯过程的。这个结论改进了〔6〕中相应的论断。它在数理统计中有相当的用处。     

关于任意二进信源的一类强偏差定理

设{Xn,n≥0}是在E＝{0,1}中取值的二进信源,{an,n≥1}是[0,1]中取值的一系常数,Sn(ω）=∑ni=1aiXi(ω）,本文利用区间剖分法构造单调函数,研究任意二进信源配重和Sn(ω）的一类用不等式表示的定理,即强偏差定理。     

分形空间中Cauchy 列的研究

对于完备度量空间（ Ｘ,ｄ） ,给出了相应的分形空间（ Ｈ（ Ｘ） ,ｈ） 中Ｃａｕｃｈｙ 列｛ Ａｎ｝ 的一个必要条件,即∪∞ｎ＝１ Ａｎ 为（ Ｘ,ｄ） 的完全有界集,证明了该条件亦是分形空间中单调增加列｛ Ａｎ｝ 成为Ｃａｕｃｈｙ 列的充分必要条件,并给出反例,说明了当｛ Ａｎ｝ 不具有单调增加性时,此结论中的充分性一般不真。将 Ｘ＝Ｒｎ 情形下分形空间（ Ｈ（ Ｒｎ） ,ｈ） 中Ｃａｕｃｈｙ 列｛ Ａｎ｝ 的极限表示∩∞ｎ＝ １ ∪∞ｍ ＝ ｎＡｍ ,向 Ｘ 为一般完备度量空间所对应的情形作了推广,进而得到了带凝聚的双曲迭代函数系｛ Ｘ;ｗ０ ,ｗ １ ,…,ｗ Ｎ｝ 的吸引子通过其凝聚集Ｃ的表示：∪∞ｎ＝１ Ｗｏｎ（ Ｃ） ,其中Ｘ 为一般完备度量空间,映射 Ｗ：Ｈ（ Ｘ） →Ｈ（ Ｘ） 定义为 Ｗ（ Ｂ） ＝ ∪Ｎｉ＝１ ｗｉ（Ｂ） ,Ｂ∈Ｈ（ Ｘ） 。而记号 Ｗｏｎ 表示Ｗ 的ｎ 次复合,即 Ｗｏ０（ Ｃ） ＝ΔＣ, Ｗｏｎ（ Ｃ） ＝Δ Ｗ（ Ｗｏ（ ｎ － １）（ Ｃ）） ,ｎ ＝ １ ,２ ,…。     

随机三角级数收敛性与Paley-Zygmund定理的推广

利用Beppo-Levi定理和Hlder不等式,以及Minkowski不等式研究了随机级数∑∞n=1X2n的收敛性,其中{Xn}是随机变量序列,在此基础上讨论了随机级数∑∞n=1an Xn的收敛性,其中{Xn}为正项同分布随机变量序列。将Paley-Zygmund定理推广到更一般的情形。     

分形列的收敛特性

对于完备度量空间(X,d)及相应的分形空间(H(X),h),我们曾得到结论如果(H(X),h)中的分形列{A     

平稳φ-混合序列最近邻密度估计的相合速度

设{（Xn;n≥1）}为平稳φ-混合序列,具有共同的密度函数f（x）。基于样本X1,X2,…,Xn,在f（x）满足适当的条件下得到了最近邻密度估计一般性逐点弱相合速度和强相合速度,并改进了柴根象的相合速度。     

高斯序列超过数点过程与和的联合渐近分布

{Xn}为非平稳标准化高斯序列,记rij=EXiXj,Nn为X1,X2,…,Xn对水平un=x／an＋bn的超过数形成的点过程,Mn^（k）为X1,X2,…,Xn的第k个最大值,Sn=∑i=1^nXi。在rijlog（j-i）→r∈（0,＋∞）（j-i→＋∞）下,给出Ntn与Sn,Mtn^（k）与Sn的联合渐近分布。     

广义Fibonacci数列和Lucsa数列的关系式

根据广义的Fibonacci数列{u_n}:u_n+1=Au_n+Bu_n-1和广义Lucas数列{v_n}:v_n+1=Av_n+Bv_n-1的定义, 采用初等方法证明了广义的Fibonacci数列和Lucas数列的几个新的关系式$\sum\limits_{i = 0}^n {{u_i}{v_{n - i}} = \left( {n + 1} \right){u_n}} $、 ${2^{n + 1}}{u_{n + 1}}=\sum\limits_{i = 0}^n {{2^i}{v_i}{A^{n - i}}}$、 $\sum\limits_{i = 0}^n {{{\left( { - B} \right)}^i}{v_{n - 2i}} = 2{u_{n + 1}}} $、 ${3^{n + 1}}{u_{n + 1}} = \sum\limits_{i = 0}^n {{3^i}{v_i}{A^{n - i}}} + \sum\limits_{i = 0}^{n + 1} {{3^{i - 1}}{u_i}{A^{n + 1 - i}}} $、 $\sum\limits_{i = 0}^n {{v_i}{v_{n - i}} = \left( {n + 1} \right){v_n}} + 2{u_{n + 1}} = \left( {n + 2} \right){v_n} + A{u_n}$、 $\left( {{A^2} + 4B} \right)\sum\limits_{i = 0}^n {{u_i}{u_{n - i}}} = \left( {n + 1} \right){v_n} - 2{u_{n + 1}} = n{v_n} - A{u_n} $, 将Fibonacci数列和Lucsa数列关系的结论进行了推广。     

关于Lucas数立方与二项式数的卷积公式

对于非负整数l,L_l表示第l个Lucas数;$\left( {array}{l}n\\i{array} \right) = \frac{{n!}}{{i!\left( {n - i} \right)!}}$为二项式系数;对于非负整数l和k以及正整数n,设l(k, 3, n)是数列$\left\{ {\left( {array}{l}n\\i{array} \right)} \right\}_{i = 0}^n$和$\left\{ {L_{k + i}^3} \right\}_{i = 0}^n$的卷积,即l(k, 3, n)=$\left( {array}{l}n\\0{array} \right)L_k^3 + \left( {array}{l}n\\1{array} \right)L_{k + 1}^3 + \cdots + \left( {array}{l}n\\n{array} \right)L_{k + n}^3 = \sum\limits_{i = 0}^n {\left( {array}{l}n\\i{array} \right)L_{k + i}^3} $。文章证明了k≥n时,l(k, 3, n)=2nL_3k+2n+3(－1)k+nL_k－n; 当k < n时,l(k, 3, n)=2nL_3k+2n+3L_n－k成立。     

二维离散型随机变量相互独立

二维离散型随机变量（Ｘ，Ｙ）相互独立的定义是：Ｆ（ｘ，ｙ）＝ＦＸ（ｘ）ＦＹ（ｙ）。其中Ｆ（ｘ，ｙ），ＦＸ（ｘ），ＦＹ（ｙ）分别为（Ｘ，Ｙ），Ｘ，Ｙ的分布函数。一般用等式Ｐ｛Ｘ＝ｘｉ，Ｙ＝ｙｊ｝＝Ｐ｛Ｘ＝ｘｉ｝Ｐ｛Ｙ＝ｙｊ｝进行判定，其中（ｘｉ，ｙｊ）为（Ｘ，Ｙ）所有可能取值，ｉ＝１，２，…；ｊ＝１，２，…；没有给出具体证明。本文给出二维离散型随机变量相互独立的定义及与这种判定方法等价的严格证明。     

扰动Newton法求解函数互补问题

把R0 -矩阵的概念推广到了非线性互补问题 (NLCP) :y - f(x) =0 ,x y =(x1y1,… ,xnyn) T=0 ,x ,y∈Rn+ 的情形 ,应用扰动Newton法求解当 f :Rn→Rn是连续可微的P0 -函数时的互补问题。在无严格互补解的条件下证明了若 f(x)是一个连续可微的P0 -函数 ,满足李卜西兹条件 ,且存在一个常数c>0和 0 <ε≤ 1对所有x∈Rn+ 有 fi0 (x) - fi0 (0 )≥c‖x‖ε,其中 ,xki0 =maxi∈I{xki}成立 ,则产生的序列 { ωk}大范围收敛到NLCP的解。并证明了若 ( f(x ) ) γ γ是一个P矩阵 ,那么序列 { ωk}Q - 2阶收敛到NLCP的解ω 。