Banach空间非扩张映像不动点强收敛定理

设E是具弱序列连续对偶映像自反Banach空间, C是E中闭凸集, T:C→ C是具非空不动点集F(T)的非扩张映像.给定u∈ C,对任意初值x0∈ C,实数列{αn}n∞=0,{βn}∞n=0∈ (0,1),满足如下条件:(i)sum from n=α to ∞α_n=∞, α_n→0;(ii)β_n∈[0,α) for some α∈(0,1);(iii)sun for n=α to ∞|α_(n-1) α_n|<∞,sum from n=α|β_(n-1)-β_n|<∞设{x_n}_(n_1)~∞是由下式定义的迭代序列:{y_n=β_nx_n (1-β_n)Tx_n x_(n 1)=α_nu (1-α_n)y_n Then {x_n}_(n=1)~∞则{x_n}_(n=1)~∞强收敛于T的某不动点.     

方差分量组合的非负二次估计的可容许性

设有方差分量模型Y=X_β+U_(1ε1)+…+U_(NεN),其中XU_i已知,ε_1,…,ε_1相互独立。Eε_(if)=0,Eε_(if)~2=σ~2,Eε_(if)~3=0.Eε_(if)~4=3σ_i~4,这里(ε_(i1),…,ε_(in_i)εi。(β,σ~2)∈R~n×Ω为未知参数。Ω={(σ_1~2,…,σ_N~2):0≠sum from i=1 to n σ_i~2U_iU'_i≥0}。本文给出了Y'AY是sum from i=1 to n f_iσ_i~2在损失(Y'AY-sum from i=1 to N f_iσ_i~2)~2下在类{Y'BY:B≥0}中可容许估计的一个充分条件。同时也给出了Y'AY+l'Y+a是sum from i=1 to N f_iσ_i~2的可容许估计(在类{Y'BY+m'Y+b}中)的一个充要条件。研究了非负二次估计与局部最优估计之间的关系。     

Galton-Watson过程收敛速率的一个充要条件

假设{Z_n}_(n=0)~∞为一Galton-Watson过程,Asmussen[1]给出了在EZ_1(logZ_1)~(α+1)∞条件下W-W_n=o(n~(-α)),a.s.的结果,这是一个充分条件.本文给出lim sup_(n→∞)n~α|W-W_n|∞,a.s.的充要条件.     

关于线性过程谱函数估计的弱不变原理的一点注记

设随机序列{X_n; n=0,±1…}可表示成为X_n=sum from j=-∞ to +∞(α_(j-n)ζ_j其中{α_j}是满足sum from j=-∞ to +∞(α_j~2)<∞的实数列,{ζ_j}是白噪声序列。通常用(?)_N(λ)=integral from 0 to λ(1/2πN)∣sum from k=1 to N(x_(?)e~(iμk)∣~2 dμ来估计{x_n}的未知的谱函数F(λ)。在一定的条件下,当{ζ_j}是独立同分布随机序列时,和[3]证明了:过程√(?)[(?)_N(λ)-F(λ)]的分布弱收敛到某个正态过程ζ(λ)在C[0,π]上产生的测度。本文在他们工作的基础上,运用鞅的极限定理和鞅不等式,改进了[3]中的两个关键引理,从而证明了当{ζ_j}是有控制分布的实四阶鞅差序列时,仍有相同的结果。     

再论无穷多个无穷小量的乘积

对文[6]提出的质疑给出回答,表明由于不同的无穷小量趋近于0的速度有快有慢,因此无穷多个无穷小量的乘积∏∞k=1{x_n~(k)}∞n=1,有可能不是无穷小量(其中对每个正整数k,{x_n~(k)}_(n=1)~∞表示极限为0的数列),而验证∏∞k=1{x_n~(k)}∞n=1是否是无穷多个无穷小量的乘积,只需验证对每个正整数k,当n→+∞时,{x_n~(k))_(n=1)~∞是否趋近于0,而无需考虑函数列{{x_n~(k)}_(n=1)~∞}_(k=1)~∞的极限limk→∞x_n~(k)是不是无穷小量.进而,对无穷多个无穷小量的乘积是无穷小量或不是无穷小量给出了一些充分条件,     

关于函数系{e~(-(?)_nx)x~(s_n-1)}的一些问题

在正实轴上考虑函数系,其中Reμ_n>0,n=1,2,…,且用S_k表示μ_k在{μ_1,μ_2,…,μ_k}中出现的次数,P_k表示μ_k在序列{U_n}_1~∞中出现的次数,已知 Mntz-Szasz定理:要使函数系在空间L~2[0, ∞)中完备,即对任意f(x)∈L~2《0, ∞),对任给ε>0,存在P_n(x)=sum from k=1 to n(c_ke~(-μ_ke~x)x~(S_(k-1)))使得     

一类Moran测度的谱性

令R_k=(ak00bk)为正整数扩张矩阵,D_k={0,1,…,q_k-1}v_1+{0,1,…,q_k-1}v_2,其中v_1=(1,0)~t,v_2=(0,1)~t,q_k1为正整数.本文研究由{R_k}_(k=1)~∞和{D_}_(k=1)~∞生成的Moran测度μ{R_k},{D_k} :=δ_(R1)(-1)~D_1*δ(R_2R_1)~(-1)D_2*···*δ(R_K···R_2R_1)(-1)D_K*···的谱性,证明了当q_k|a_k且q_k|b_k时,μ{R_k},{D_k}为谱测度.这推广了文献[J.Funct,Anal.,2014,266(1):343-354]和[J.Funct.Anal.,2002,193(2):409-420]中的结论.     

关于线性算子的高阶饱和

设f(x)∈C_(2π)。而f(x)～sum from k=0 ( )A_k(f_1k)≡α_0/2 sum from k=1 ( )(α_kcoskx b_ksinkx)。 又设 U_n(f,x)=1/πintegral from -πto π(f(x t)u_n(t)dt,) 其中u_n(t)=1/2 sum from k=1ρ_k~(n)coskt满足条件: integral from 0 to k(|u_n(t)|dt=O(1),)ρ_k~(n)→1(n→∞;k=1,2,…,)。设m是正整数,ρ_0~(n)=1。记~mρ_k~(n)=sum form v=0 to ∞ ((-1)~(m~(-v))(m v)ρ_k v~(n) (k=0,1,…,)。)T.Nishishiraho考虑了在ρ_k~(n)=O(k>n)的情况下U_n(f,x)的饱和问题,证明了。 定理A 设{_n}是收敛于0的正数列,使得     

样本均值幂级数的收敛性

摘要设X_1,X_2,…为iid.,EX_1=0,0相似文献   

广义对角占优矩阵的判定

本文给出了广义严格对角占优矩阵的几个判定条件以及等价表征,这些结论分别推广了[3]与[4]的一些结果。作为约定本文总假设;A=(a_(ij))_n×n 表示复矩阵,∧_k=(?)|a_(kj)|当|a(kk)|≠0时,σ_k=(∧_k)/|α_(kk)|,θ_A={s||a_(ss)|≤∧_s,s∈N={1,2,…,n}},J_A={k||a_(kk)>∧_k,k∈N}     

I~p上单胞移位的拟幂零性(Ⅰ)

设{e_n}_(n=0)~∞是空间l~p(1相似文献   

NA序列重对数律的几个极限定理

设{X_n;n≥1}均值为零、方差有限的NA平稳序列。记S_n=∑_(k=1)~n X_k,M_n=maxk≤n|S_k|,n≥1.假设σ~2=EX_1~2+2∑_(k=2)~∞EX_1X_k>0。本文讨论了:当ε 0时,P{M_n≥εσ(2nloglogn)~(1/2)的一类加权级数的精确渐近性质,以及当ε∞时,P{M_n≤εσ(π~2n/(8loglogn))~(1/2)}的一类加权级数的精确渐近性质。这些性质与重对数律和Chung重对数律的速度有关。     

方差已知正态总体的渐近最优的截尾序贯选择方法

设 k(≥2)个正态总体 π_1,…,π_k 有相同的方差σ~2和未知均值μ_1,…,μ_k,记μ_[1]≤…≤μ_[k]是{μ_i,1≤i≤k}的排序,我们称具有最大均值μ[k]的总体为最优总体.如何从这 k 个总体中选择出最优总体,就是我们要研究的选择问题.上述选择问题最初由 Bechhofer 提出,他对这个问题提出了正确选择(CorrectSelection)概率要求:     

弱次-ortho-紧空间的σ-积

本文研究了具有覆盖性质的弱次-ortho-紧空间的σ-积问题,证明存在可数仿紧空间族{X_α:α∈ω_1}满足:(1)空间σ{X_α:α∈ω_1}的每个有限子乘积是弱次-ortho-紧的;(2)空间σ{X_α:α∈ω_1}不是弱次-ortho-紧的.利用拓扑空间乘积性理论,获得了如下结果:设X=σ{X_α:α∈A}是|A|-仿紧空间.如果X的每个有限子乘积是弱次-ortho-紧的,则X也是弱次-ortho-紧的.从而推广了文献[8]的结果.     

WANDERING SUBSPACES OF THE HARDY-SOBOLEV SPACES OVER D~n

In this paper, we show that for log(2/3)/2log2≤β≤1/2, suppose S is an invariant subspace of the Hardy-Sobolev spaces H_β~2(D~n) for the n-tuple of multiplication operators(M_(z_1),...,M_(z_n)). If(M_(z_1)|S,..., M_(z_n)|S) is doubly commuting, then for any non-empty subset α = {α_1,..., α_k} of {1,..., n}, W_α~S is a generating wandering subspace for M_α|_S =(M_(z_(α_1))|_S,..., M_(z_(α_k))|_S), that is, [W_α~S]_(M_(α |S))= S, where W_α~S=■(S■z_(α_i)S).     

由φ-混合序列产生的长程相依过程的广义强逼近定理

设{X_k;k≥1}是由X_k=∑_(i=0)~βα_iε_(k-i)所定义的滑动平均过程,其中{ε_i;-∞i∞}是一同分布的φ-混合相依变量序列,{α_i;i≥0}为满足条件α_i~i~(-α)l(i)的实数序列,l(i)为一缓变函数.当1/2α1时,{X_k;k≥1}为一长程相依过程.在Eε_0~2可能为无穷的条件下,对长程相依过程{X_k;k≥1}的部分和建立了一个更为一般性的强逼近定理.     

半平面上的无限级随机Dirichlet级数的值分布

本文通过 Dirichlet级数增长性研究结果改进 ,以及对独立随机变量列 { Zn} ,在条件 EZn=0 , 正数α>0 ,使得 ,0 相似文献   

由谱数据数值稳定地构造实对称带状矩阵

§1.引言 设r,n是正整数并且0r有a_(ij)=0.     

关于极大强单调算子的不精确邻近点算法的收敛性分析

该文研究集值映象方程0∈T(z)的解的迭代逼近，其中T是极大强单调算子．设{x^k}与{e^k}是由不精确邻近点算法x^{k+1}+c_kT(x^{k+1})> x^k+e^{k+1}生成的序列，满足‖e^{k+1}‖≤η_k‖x^{k+1}_x^k‖, ∑^∞_{k=0}(η_k-1)<+∞且inf_(k≥0) η_k=μ≥1.在适当的限制下证明了，{x^k}收敛到T的一个根当且仅当 lim inf_{k→+∞} d(x^k,Z)=0，其中Z是方程0∈T(z)的解集     

对称三对角矩阵带位移的QL方法和QR方法的收敛性

用带位移的QL方法和QR方法,求一个对称三对角矩阵的全部特征值,是非常有效的方法。由于对某个矩阵进行QL方法求特征值与这个矩阵进行置换相似变换后的矩阵进行QR方法是一样(参见[1]),本文只对QL方法讨论收敛性,而对QR方法直接给出相应的收敛性结果。 设T是实对称不可约三对角矩阵。让T=T,使用带位移{σ_k}的QL过程: