简单的说，学好微积分（数学分析）是一个毁灭自己的先天直觉然后重新塑造一个后天直觉。
转变思维永远不是简单，但是不转变，贪图一时的捷径只是饮鸩止渴罢了。高中的时候，我一个同学很背单词的时候喜欢用汉字去拼那些单词的发音，还喜欢学各种解题技巧，这个时候我和他的成绩是一样的。
国外的老师较为看重学生homework的完成情况，对于同学们来说，完成一门科目作业并获得不错的成绩是尤为重要的事情。但对于不少同学来说，在自身英语说存在局限的情况下，当数学基础较为薄弱时，微积分作业的难度一下子就提升了，很难独立完成微积分作业。Calculus-do™提供的专业微积分代写能为大家解决所有的学术困扰，我们不仅会帮大家完成作业，还提供相应的数学知识辅导课程，以此来提高同学们学习能力。
我们提供的econ代写服务范围广, 其中包括但不限于:
- 单变量微积分
- 多变量微积分
- 傅里叶级数
- 黎曼积分
- ODE
- 微分学
微积分网课代修|极限理论代写Limit Theory代考|Stability of Limit Theorems
In this chapter we present some first results on the stability of limit theorems taken from [28] (see also [79, 100]). More precisely, we derive simple sufficient conditions for distributional limit theorems to be mixing.
To this end, let $Z_{n}$ be $(\mathcal{Z}, \mathcal{C})$-valued random variables for some measurable space $(\mathcal{Z}, \mathcal{C})$ and $f_{n}:\left(\mathcal{Z}^{n}, \mathcal{C}^{n}\right) \rightarrow(\mathcal{X}, \mathcal{B}(\mathcal{X}))$ measurable maps for every $n \in \mathbb{N}$, where we need a vector space structure for $\mathcal{X}$. So, let $\mathcal{X}$ be a polish topological vector space (like $\mathbb{R}^{d}, C([0, T])$ for $0<T<\infty$ or $\left.C\left(\mathbb{R}{+}\right)\right)$. Then there exists a translation invariant metric $d$ on $\mathcal{X}$ inducing the topology ([86], Theorem 1.6.1) so that $U{n}-V_{n} \rightarrow 0$ in probability for $(\mathcal{X}, \mathcal{B}(\mathcal{X}))$-valued random variables $U_{n}$ and $V_{n}$ means $d\left(U_{n}, V_{n}\right)=$ $d\left(U_{n}-V_{n}, 0\right) \rightarrow 0$ in probability or, what is the same, $E\left(d\left(U_{n}, V_{n}\right) \wedge 1\right) \rightarrow 0$.
Furthermore, let $b_{n} \in \mathcal{X}$ and $a_{n} \in(0, \infty)$. We consider the $(\mathcal{X}, \mathcal{B}(\mathcal{X}))$-valued random variables
$$
X_{n}:=\frac{1}{a_{n}}\left(f_{n}\left(Z_{1}, \ldots, Z_{n}\right)-b_{n}\right)
$$
for $n \in \mathbb{N}$ and assume $X_{n} \stackrel{d}{\rightarrow} v$ for some $v \in \mathcal{M}^{1}(\mathcal{X})$. The tail $\sigma$-field of $Z=\left(Z_{n}\right)$ is given by
$$
\mathcal{T}{Z}=\bigcap{n=1}^{\infty} \sigma\left(Z_{k}, k \geq n\right) .
$$
微积分网课代修|极限理论代写Limit Theory代考|Martingale Arrays and the Nesting Condition
For every $n \in \mathbb{N}$ let $\left(X_{n k}\right){1 \leq k \leq k{n}}$ be a sequence of real random variables defined on a probability space $(\Omega, \mathcal{F}, P)$, and let $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}}$ be a filtration in $\mathcal{F}$, i.e. $\mathcal{F}{n 0} \subset \mathcal{F}{n 1} \subset \cdots \subset \mathcal{F}{n k{n}} \subset \mathcal{F}$. The sequence $\left(\bar{X}{n k}\right){1 \leq k \leq k_{n}}$ is called adapted to the filtration $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}}$ if $X_{n k}$ is measurable w.r.t. $\mathcal{F}{n k}$ for all $1 \leq k \leq k{n}$. The triangular array $\left(X_{n k}\right){1 \leq k \leq k{n}, n \in \mathbb{N}}$ of random variables is called adapted to the triangular array $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}, n \in \mathbb{N}}$ of $\sigma$-fields if the row $\left(X_{n k}\right){1 \leq k \leq k{n}}$ is adapted to the filtration $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}}$ for every $n \in \mathbb{N}$. Not all of the following results of a more technical nature require the assumption of adaptedness. Therefore, we will always state explicitly where adapted arrays are considered.
An array $\left(X_{n k}\right){1 \leq k \leq k{n}, n \in \mathbb{N}}$ adapted to $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}, n \in \mathbb{N}}$ is called a martingale difference array if $X_{n k} \in \mathcal{L}^{1}(P)$ with $E\left(X_{n k} \mid \mathcal{F}{n, k-1}\right)=0$ for all $1 \leq k \leq k{n}$ and $n \in \mathbb{N}$, which means that for every $n \in \mathbb{N}$ the sequence $\left(X_{n k}\right){1 \leq k \leq k{n}}$ is a martingale difference sequence w.r.t. the filtration $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}}$. A martingale difference array is square integrable if $X_{n k} \in \mathcal{L}^{2}(P)$ for all $1 \leq k \leq k_{n}$ and $n \in \mathbb{N}$. Note that a martingale difference sequence or array is always by definition adapted to the $\sigma$-fields under consideration.
From now on, we assume that the sequence $\left(k_{n}\right){n \in \mathbb{N}}$ is nondecreasing with $k{n} \geq n$ for all $n \in \mathbb{N}$. We always set $\mathcal{F}{\infty}=\sigma\left(\bigcup{n=1}^{\infty} \mathcal{F}{n k{n}}\right)$. The array $\left(\mathcal{F}{n k}\right){0 \leq k \leq k_{n}, n \in \mathbb{N}}$ is called nested if $\mathcal{F}{n k} \subset \mathcal{F}{n+1, k}$ holds for all $n \in \mathbb{N}$ and $0 \leq k \leq k_{n}$. The subtle role of this property of the $\sigma$-fields in stable martingale central limit theorems will become evident in the sequel.
Our basic stable martingale central limit theorem reads as follows.
微积分网课代修|极限理论代写Limit Theory代考| Stability of Limit Theorems
在本章中，我们提出了一些关于极限定理稳定性的第一个结果，取自[28] (另见[79， 100]）。更准确地说，我们推导出了分布极限定理混合的简单充分条件。
为此，让 $Z_{n}$ 是 $(\mathcal{Z}, \mathcal{C})$-某些可测量空间的有值随机变量 $(\mathcal{Z}, \mathcal{C})$ 和
$f_{n}:\left(\mathcal{Z}^{n}, \mathcal{C}^{n}\right) \rightarrow(\mathcal{X}, \mathcal{B}(\mathcal{X}))$ 每个可测量的地图 $n \in \mathbb{N}$ ，其中我们需要一个向量空 间结构 $\mathcal{X}$. 所以，让 $\mathcal{X}$ 是一个抛光拓扑向量空间（如 $\mathbb{R}^{d}, C([0, T])$ 为 $0<T<\infty$ 或 $C(\mathbb{R}+))$. 然后存在一个平移不变度量 $d$ 上 $\mathcal{X}$ 诱导拓扑（[86]，定理1.6.1），以便
$U n-V_{n} \rightarrow 0$ 在概率中 $(\mathcal{X}, \mathcal{B}(\mathcal{X}))$-值随机变量 $U_{n}$ 和 $V_{n}$ 方法 $d\left(U_{n}, V_{n}\right)=$
$d\left(U_{n}-V_{n}, 0\right) \rightarrow 0$ 在概率上，或者，什么是相同的， $E\left(d\left(U_{n}, V_{n}\right) \wedge 1\right) \rightarrow 0$.
此外，让 $b_{n} \in \mathcal{X}$ 和 $a_{n} \in(0, \infty)$. 我们认为 $(\mathcal{X}, \mathcal{B}(\mathcal{X}))$-值随机变量
$$
X_{n}:=\frac{1}{a_{n}}\left(f_{n}\left(Z_{1}, \ldots, Z_{n}\right)-b_{n}\right)
$$
为 $n \in \mathbb{N}$ 并假设 $X_{n} \stackrel{d}{\rightarrow} v$ 对于某些人来说 $v \in \mathcal{M}^{1}(\mathcal{X})$. 尾巴 $\sigma$-令域 $Z=\left(Z_{n}\right)$ 由
$$
\mathcal{T} Z=\bigcap n=1^{\infty} \sigma\left(Z_{k}, k \geq n\right) .
$$
微积分网课代修|极限理论代写Limit Theory代考| Martingale Arrays and the Nesting Condition
对于每个 $n \in \mathbb{N}$ 让 $\left(X_{n k}\right) 1 \leq k \leq k n$ 是在概率空间上定义的实随机变量序列 $(\Omega, \mathcal{F}, P)$ ，并让 $(\mathcal{F} n k) 0 \leq k \leq k_{n}$ 成为过滤 $\mathcal{F}$ ，即
$\mathcal{F} n 0 \subset \mathcal{F} n 1 \subset \cdots \subset \mathcal{F} n k n \subset \mathcal{F}$. 序列 $(\bar{X} n k) 1 \leq k \leq k_{n}$ 称为适应过滤
$(\mathcal{F} n k) 0 \leq k \leq k_{n}$ 如果 $X_{n k}$ 是可测量的 w.r.t. $\mathcal{F} n k$ 面向所有人 $1 \leq k \leq k n$.三角形 阵列 $\left(X_{n k}\right) 1 \leq k \leq k n, n \in \mathbb{N}$ 的随机变量称为适应三角形数组
$(\mathcal{F} n k) 0 \leq k \leq k_{n}, n \in \mathbb{N}$ 之 $\sigma$-字段，如果行 $\left(X_{n k}\right) 1 \leq k \leq k n$ 适应过滤
$(\mathcal{F} n k) 0 \leq k \leq k_{n}$ 对于每个 $n \in \mathbb{N}$. 并非所有技术性更强的以下结果都需要假设适应 性。因此，我们将始终明确说明考虑自适应数组的位置。
数组 $\left(X_{n k}\right) 1 \leq k \leq k n, n \in \mathbb{N}$ 适应 $(\mathcal{F} n k) 0 \leq k \leq k_{n}, n \in \mathbb{N}$ 称为马丁格尔差 分数组，如果 $X_{n k} \in \mathcal{L}^{1}(P)$ 跟 $E\left(X_{n k} \mid \mathcal{F} n, k-1\right)=0$ 面向所有人 $1 \leq k \leq k n$ 和 $n \in \mathbb{N}$ ， 这意味着对于每个 $n \in \mathbb{N}$ 序列 $\left(X_{n k}\right) 1 \leq k \leq k n$ 是一个马丁格尔差分序 列 w.r.t. 过滤 $(\mathcal{F} n k) 0 \leq k \leq k_{n}$. 马丁格尔差分数组是平方可积的，如果
$X_{n k} \in \mathcal{L}^{2}(P)$ 面向所有人 $1 \leq k \leq k_{n}$ 和 $n \in \mathbb{N}$. 请注意，根据定义，马丁格尔差分 序列或数组始终适应于 $\sigma$-正在考虑中的字段。
从现在开始，我们假设序列 $\left(k_{n}\right) n \in \mathbb{N}$ 是 非递减与 $k n \geq n$ 面向所有人 $n \in \mathbb{N}$. 我们 总是设置 $\mathcal{F} \infty=\sigma\left(\bigcup n=1^{\infty} \mathcal{F} n k n\right)$. 数组 $(\mathcal{F} n k) 0 \leq k \leq k_{n}, n \in \mathbb{N}$ 在以下情 况下称为嵌套: $\mathcal{F} n k \subset \mathcal{F} n+1, k$ 保留所有人 $n \in \mathbb{N}$ 和 $0 \leq k \leq k_{n}$. 这种性质的微 妙作用 $\sigma$-稳定马丁格尔中心极限定理中的场将在续集中变得明显。
我们的基本稳定马丁格尔中心极限定理如下。
微积分作业代写calclulus代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。