无界函数指标集合上平稳的β-混合序列的经验过程的收敛速度

对无界的实函数指标集的情形进行了讨论,提出了一种新的截断方法,用以处理无界的函数指标集上严平稳β-混合随机序列的经验过程,并得到了该经验过程的一致收敛速度.     

关于ρ-混合序列对数律的收敛速度

本文研究了ρ-混合序列对数律的收敛速度，在较弱的矩条件下得到了与独立同分布实随机变量类似的结果，并获得了ρ－混合序列满意对数律的一个充分性结果；讨论了ρ－混合序列重对数律的收敛速度的问题，得到了一个重对数律的充分性条件。     

连续型经验过程及其Bootstrap逼近

本文利用样条函数将经验分布函数光滑化,从而得到了连续型经验分布函数,进而引进了连续型经验过程,本文讨论了连续型经验分布函数和连续型经验过程的渐进分布,并且证明了连续型经验过程的Bootstrap逼近成立。     

相依样本的经验过程振动模的收敛性

文中研究了两类重要相依样本(即φ-混合和α-混合样本)的经验过程振动模强一致收敛速度,证明了该速度与独立样本下的经验过程振动模的最优收敛速度相同.利用这些结果建立了密度函数核估计和直方图核估计的强相合性,并证明了这些强相合收敛速度达到最好速度O(n~(-1/3) log~(1/3)n)以及建立分位估计Bahadur类型的表示定理.     

ψ－混合序列大数律的收敛速度

在不加任何矩条件限制的情形下，研究了ψ－混合序列大数律的收敛速度问题，得到了若干充分必要条件．     

φ－混合序列大数律的收敛速度

在不加任何矩条件限制的情形下，研究了φ－混合序列大数律的收敛速度问题，得到了若干充分必要条件．     

非平稳ψ—混合序列强律收敛速度的进一步探讨

本文研究非平稳ψ－混合序列的强大数律；无需混合速度限制，给出了完全收敛成立的充要条件；在弱混合速度条件下。讨论了Ｍａｒｃｉｎｋｉｅｗｉｃｚ－Ｚｙｇｍｕｎｄ强律成立的必要条件，进而得出混合情形的Ｍａｒｃｉｎｋｉｅｗｉｃｚ－Ｚｙｇｍｕｎｄ强律，其结果与独立情形相一致。     

删失数据的光滑乘积限估计的渐近性质

在删失数据的模型下，对于光滑未知的分布函数Ｆ０，文中提出了光滑化的方法去估计Ｆ０，得到了光滑ＰＬ估计Ｆｎ，并建立了Ｆｎ在Ｄ（－∞，Ｔ），Ｔ＜ＴＦ上的弱收敛和强相合的结果．同时也获得了光滑ＰＬ过程的强逼近和重对数律．     

一种新的收敛加速概念：F－加速

本文介绍了一种新的收敛加速概念Ｆ－加速和一个判别函数Ｄ（ｎ），试图对序列收敛加速变换的讨论深入到定量分析，特别地对于在传统意义下不可加速的数列集合ＬＯＧ２，我们证明了它是可以Ｆ＿∞－加速的，在线性敛的情况下，我们给出了函数Ｄ（ｎ）的一个渐近估计式。     

不等式约束条件下经验似然法在两总体中位数检验中的应用

本文中, Owen 引入的经验似然方法被用于参数空间带不等式约束的两总体中位数的比较. 迄今为止, 还没有人研究过该问题. 这是因为, 在构造经验似然函数过程中所使用的辅助函数不是光滑函数, 因而不是凸函数, 从而使研究难度大大增加. 然而, 通过引入经验过程的办法, 本文很巧妙地解决了此问题. 根据经验过程, 本文证明了两中位数比较的经验似然比检验统计量的极限分布要么是单一的卡方分布, 要么是两个卡方分布的等权混合分布. 这一理论结果得到了模拟运算结果的有力支持.     

ρ—混合序列加权和的完全收敛性

对混合速度不作限制下，讨论了ρ－混合序列加权和Ｔｎ＝Σ（ｎ，ｋ＝１）αｎｋＸｋ的完全收敛性，推广了Ｗ．Ｆ．Ｓｔｏｕｒｔ的结果。将此新结果应用于线性模型参数β的估计中，得出β的最小二乘估计βｎ的强相合性     

竞争风险场合PL型估计的弱一致收敛性

本文构造了竞争风险场合分布函数的乘积极限（PL）型估计，运用经验过程的逼近理论及Taylor展开方法，给出了PL型估计在全直线上的弱一致收敛速度及其充分必要条件。     

竞争风险场合PL型估计的强一致收敛性

本文构造了竞争风险场合分布函数的乘积极限（PL）型估计，运用经验过程的强逼近理论及Toylor展开方法，给出了PL型估计在全直线上的强一致收敛速度及其充分必要条件。     

混合误差下回归函数小波估计的一致收敛速度

该文构造了回归函数的一类小波估计，在误差序列为ψ 混合或φ 混合下得到了小波估计的强一致收敛速度和狉阶矩一致收敛速度．     

基于α-混合序列的学习机器一致收敛速率的界

Vapnik,Cucker和Smale已经证明了,当样本的数目趋于无限时,基于独立同分布序列学习机器的经验风险会一致收敛到它的期望风险.本文把这些基于独立同分布序列的结果推广到了α-混合序列,应用Markov不等式得到了基于α-混合序列的学习机器一致收敛速率的界.     

$\alpha$混合下非参数回归函数改良分割估计的强相合性及收敛速度

本文研究了在样本$(X_1,Y_1),(X_2,Y_2),\ldots,(X_n,Y_n)$ 为取值于$R^{d}\times R^{1}$的同分布的$\alpha$混合序列时,回归函数改良分割估计的强相合性和收敛速度.     

ψ—混合序列加权和的收敛性质

本文在ψ－混合序列下给出加权和重对数律，完全收敛和强收敛的一些充分条件，这些结论简化了［６］，［７］中结论的条件，推广了［８］中定理６并改进了［９］中有关结论。同时给出了加权和的Ｂｅｒｎｓｔｅｉｎ不等式。     

基于$\alpha$\,-混合序列的学习机器一致收敛速率的界

Vapnik, Cucker和Smale已经证明了, 当样本的数目趋于无限时, 基于独立同分布序列学习机器的经验 风险会一致收敛到它的期望风险\bd 本文把这些基于独立同分布序列的结果推广到了$\alpha$\,-混合序列, 应用Markov不等式得到了基于$\alpha$\,-混合序列的学习机器一致收敛速率的界     

分布自由的回归函数近邻核估计的相合性

本文获得了基于混合，α－混合样本的回归函数核估计，随机窗宽核估计，近邻核估计的强相合性，积分绝对误差的强相合性与平均相合性，所得结果对所有ｘ的分布μ均成立，其中核函数的支撑可以无界，甚至可以是不可积的。     

k－近邻回归估计的泛函中心极限定理

本文研究基于随机完全数据和删失数据回归函数的ｋ－近邻估计，在较为一般的条件下证明了估计序列作为由Ｓ（Ｓ　Ｒｄ）为指标集的随机过程序列依分布收敛到高斯过程。