相依样本回归函数的累进形核估计的强相合性

研究了平稳、φ混合过程的回归函数累进形核估计的逐点强相合性，同时给出了收敛速度。     

连续Φ-有界变差函数的Lagrange插值逼近

本文主要讨论连续Φ－有界变差函数借助于Jacobi多项式的根的Lagrange插值逼近问题,并给出了插值多项式在[－1,1]上一致收敛的速度估计。     

一族具有三阶收敛的迭代方法

给出了在Banach空间中求解非线性方程的一族迭代方法.这族迭代方法是避免了求F(x)的二阶导数且具有三阶收敛的迭代方法.用优函数技巧证明了迭代方法是三阶收敛的,同时给出了迭代方法的误差估计.     

随机删失场合回归函数改良核估计的收敛速度

本文在随机删失场合下 ,得到了回归函数 m ( x ) = E [Y /x ] 的改良核估计及核估计的收敛速度 ,该结果与完全数据场合完全一致.     

强一致收敛下的初值敏感性与等度连续性

首先,举例指出了《Nonlinear Anglgsis》文中定理3.2的条件下并不能使函数序列的初值敏感性遗传至极限函数,并证明了若函数序列的敏感常数的上极限为某一正数,则在强一致收敛下,函数序列的极限函数也具有初值敏感性.其次,证明了在强一致收敛下,序列系统的等度连续性和一致几乎周期性能被极限系统所继承.     

Φ有界变差的一些性质

本文把熟知的函数空间ＡＢＶ的一些性质，推广到更大的函数空间上去，并给出了ΦＢＶ中函数的富里埃系数的阶的估计，同时给出了ΦＢＶ中函数的富里埃级数绝对收敛的一个充分条件。     

二连通区域上的BMOp和Bloch函数

本文在平面二连通区域,i}上定义了一类函数空间BMOp，给出了它的几种等价定义，证明了在II} IIeMo，下BMOp/C成一Banach空间·同时又给出了。上Bloch的函数的若干等价特征，从中发现全纯的BMOp函数即为Bloch函数.     

鞅差序列下回归函数加权核估计的收敛性

研究了在删失样本下误差为鞅差序列时 ,回归函数加权核估计的r阶矩收敛性 ,完全收敛性和几乎处处收敛性 ,推广了在完全样本下误差为鞅差序列时相应的结论 ,同时还给出了r(r >1)阶矩收敛的收敛速度     

Fourier级数Cesro平均的强收敛

本文讨论了Fourier级数Cesàro平均O_n~a(f)的强收敛。估计了它的收敛速度并给出了O_n~a(f)强收敛与f的Fourier系数之间的关系。     

两参数Lomax分布形状参数的经验Bayes估计问题

依据经验Bayes(EB)估计的思想方法,研究在平方损失函数下两参数Lomax分布形状参数的EB估计问题。在这种损失函数下,获得了形状参数的Bayes估计,利用密度函数的递归核估计方法构造了相应的EB估计,在适当的条件下证明了所提出的EB估计是渐近最优的,并获得了它的收敛速度。最后给出一个满足文中主要结果的实例。     

随机删失场合回归函数的改良核估计

本文在随机删失场合下,讨论了回归函数ne(z) = E[州X二习的估计问题,利用改良的核估计方法,得到了改良核估计的强相合性.     

WOD样本下密度函数核估计的强相合性

设（Xn,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,在适当条件下获得了WOD样本下密度函数核估计的强相合性．     

一种近邻密度估计的Lp模强相合性

本文对一种新的近邻密度估计的相合性继续进行研究。在相当自然的件条下得到了它的L_p模强相合性。并证得这些条件是必要的。     

删失数据非参数回归函数最近邻估计强收敛速度

建立了删失数据非参数回归函数最近邻估计强收敛速度,并得到主阶n的指数为1／(2 d)的最优速度．作为定理的推论,在完全数据情形时,本质地改善了赵林城等(1984,1986)所得的结果。     

截尾情形下的生存函数的估计

本文给出了在左截尾情形下的关于生存函数的product-limit估计的表示式,并给出其余项的阶为。(,一’lnn)a. s.     

随机截断下PL 估计的强表示式以及密度函数的核估计

本文在随机左截断情形下, 研究了分布函数的乘积限估计(PL 估计) Fn 的一致强表示式, 对文献[ 4] 给出的强表示式的误差项的阶加以改进, 并用此强表示式研究了核密度估计fn(x)的渐近性质.对于渐 近最优窗宽的选择以及MSE 的阶, 得到与完全样本下相同的结果.     

随机删失场合基于 Synthetic Data 的回归 函数核估计的强相合性

本文改进了文献[ 1] 中窗宽的条件; 并且讨论了随机删失场合基于 Synthetic Data 的回归函数递推核 估计的强相合性,所得结论均与完全样本情况相对应.     

m-相依样本三角组列的完全收敛性

讨论三角组列的完全收敛性。在较强的条件下，Hoerold Dehling讨论了独立同分布随机变量样本三角组列的收敛性问题，得到了一个较好的结果（定理A）。作者利用与Herold Dehling完全不同的方法，首先在较弱的情形下得到了独立同分布随机变量样本三角组列行和的完全收敛性（定理1），改进和加强了Herold Dehling的结果。同时考虑相依同分布样本的情形。在类似于定理1的较弱的假设下，利用不同的方法，得到m-相依同分布样布三角组列列和完全收敛性（定理2）。