超临界非局部空间分支过程的迭代对数律
《Stochastic Processes and their Applications》:Law of the iterated logarithm for supercritical non-local spatial branching processes
【字体:
大
中
小
】
时间:2026年10月02日
来源:Stochastic Processes and their Applications 1.2
编辑推荐:
摘要 设 X=(X_t)_{t≥0} 为 Lusin 空间上的一般超临界非局部分支 Markov 过程或一般超临界非局部超过程。此处,“超临界”指 X 的均值半群表现出 Perron-Frobenius 型行为,且具有正主特征值。本文研究自然关联于均值半群实值或复值特征对的鞅
摘要 设 X=(X_t)_{t≥0} 为 Lusin 空间上的一般超临界非局部分支 Markov 过程或一般超临界非局部超过程。此处,“超临界”指 X 的均值半群表现出 Perron-Frobenius 型行为,且具有正主特征值。本文研究自然关联于均值半群实值或复值特征对的鞅族的几乎必然行为。在四阶矩条件下,我们建立了这些鞅的迭代对数型极限定理。特别地,我们发现三种区域,每种区域对应不同的缩放因子和极限。此外,我们还得到了线性泛函 ?Re(f), X_t? 的迭代对数定律,其中 f 为有限项特征函数的和,Re(f) 表示其实部。在分支 Markov 过程的框架下,我们的结果完善了已有文献,补充了 Asmussen [Trans. Amer. Math. Soc. 231 (1) (1977) 233–248] 中关于多类型分支过程的已知结果,并将 Hou、Ren 和 Song [arXiv: 2505.12691v1, arXiv: 2505.12691v2] 的近期工作推广至允许非局部分支机制的情形。对于超过程,据我们所知,我们的结果是全新的。
引言 本文研究一类由空间运动和分支机制定义的空间分支过程的长时间行为,包括分支 Markov 过程和超过程。我们主要关注超临界情形,即均值半群的主特征值为正。近几十年来,这类过程的极限定理研究取得了显著进展,包括(弱和大数)律,例如 [1], [2], [3], [4], [5], [6], [7], [8], [9], [10] 及其参考文献,以及中心极限定理,例如 [11], [12], [13], [14], [15], [16], [17] 及其参考文献。这些结果已被推广至非局部分支机制的更一般框架。例如,[18], [19], [20] 中建立了通非局部分支 Markov 过程的大数律和中心极限定理,[21], [22] 中建立了通非局部超过程的大数律和中心极限定理。一个自然且重要的问题是:除上述之外,是否还存在迭代对数型的极限定理。这一问题已在 Galton-Watson 过程中得到解决:设 ((Z_n)_{n≥0}, P) 为超临界 Galton-Watson 过程,Z_0=1,m:=E[Z_1]∈(1,∞)。众所周知,W_n(Z) ∶= Z_n/m^n 是一个非负鞅,因此几乎必然收敛于有限极限 W_∞(Z)。假设 E[Z_12]<∞,Heyde [23], [24] 证明了 m^{n/2}(W_n(Z)-W_∞(Z)) 依分布收敛于混合正态律。Heyde [25] 以及 Heyde 和 Leslie [26] 进一步证明,在相同的二阶矩条件下,在非灭绝事件的 P-几乎处处,
lim sup_{n→+∞} / lim inf_{n→+∞} m^{n/2}(W_n(Z)-W_∞(Z))2 / (2 log n) = (+/-) Var[Z_1]/(m2-m) · W_∞(Z)。
由于当 n→+∞ 时 log n ~ log log Z_n,(1.1) 通常被称为 Galton-Watson 过程的迭代对数定律。虽然迭代对数定律在 Galton-Watson 过程中已有成熟结论,并在 [27] 中推广至多类型分支过程,但在空间分支过程的设定中,相应结果仍然较少。近期,Hou 等 [28], [29] 研究了每个粒子作为 Hunt 过程演化且局部繁殖的分支 Markov 过程的渐近行为。在此设定下,在限制性谱假设下,为一大类线性泛函建立了迭代对数定律。此外,我们提及两项相关工作 [30] 和 [31],分别针对分支随机游走的 Biggins 鞅和 Crump-Mode-Jagers 分支过程的 Nerman 鞅建立了迭代对数定律。然而,目前对于超过程尚无类似结果。
在本文中,我们为超临界分支 Markov 过程和超临界超过程建立了迭代对数型极限定理。我们假设均值半群表现出自然的 Perron-Frobenius 型行为,且四阶矩存在。这一设定相当一般,甚至允许非局部分支机制。因此,我们的结果扩展了 [27] 中关于多类型分支过程的已知结果以及 [28], [29] 中关于分支 Markov 过程的结果,并为超过程提供了全新的结果。此外,我们开发了一种统一的适用于分支 Markov 过程和超过程的方法。关于相关文献和证明思路的详细讨论推迟到第 1.4 节和第 1.5 节。在此之前,我们在第 1.1 节引入模型,并在第 1.2 节和第 1.3 节陈述假设和主要结果。
本文中,我们使用“∶=”作为定义符号。记号 R 和 C 分别表示实数集和复数集。字母 c(带或不带下标)表示有限正常数,其值可能在不同位置有所不同。设 E 为 Lusin 拓扑空间,具有 Borel σ-代数 B(E),E_? ∶= E ∪ {?} 为 E 的单点紧化。E 上的任何函数均通过设定 f(?)=0 自动延拓至 E_?。我们使用 B_b(E)(分别 B_+(E))表示 (E, B(E)) 上有界(分别非负)可测函数空间。对于 E 上的测度 μ 和函数 f∈B_+(E),记 ?f, μ? ∶= ∫_E f(x) μ(dx)。对于 k ≥ 1 和概率空间 (Ω, F, P),我们用 L^k(P) 表示 Ω 上满足 ∫_Ω |η|^k dP < +∞ 的 C-值随机变量 η 的空间。对于 C-值函数 f,我们用 f? 表示其共轭,Re f 和 Im f 分别表示其实部和虚部。对于任何两个正函数 f 和 g,我们用 f ? c g(分别 f ? c g)表示存在正常数 c 使得在它们的共同定义域上 f ≤ c g(分别 c^{-1} g ≤ f ≤ c g)。如果 c 不重要或可理解,我们也写“?”(分别“?”)。
我们假设空间运动 ξ=(Ω, H, H_t, ξ_t, Π_x) 为 E 上的 Borel 右过程,转移半群为 (P_t)_{t≥0}。这里 {H_t : t≥0} 是最小可容许滤子,Π_x 是从 x 出发的过程的分布。略带滥用记号,我们用相同的记号 Π_x 表示相关联的期望算子。Borel 右过程 ξ 产生一种内在拓扑,称为精细拓扑,这是 E 上使所有相对于 ξ 的上调和函数连续的最小拓扑;参见 [32, Appendix A.3]。众所周知,有界可测函数 f 相对于 ξ 精细连续当且仅当 t ? f(ξ_t) 在 [0, +∞) 上几乎必然右连续。
我们首先定义非局部分支 Markov 过程(非局部 BMP)的概念,遵循 [20] 中的表述。非局部 BMP 是一组粒子,按以下规则演化:给定产生点,粒子独立地按照空间运动 ξ 移动。在一个称为“分支”的事件中,位于 x ∈ E 的粒子以速率 β(x) 死亡,其中 β ∈ B_+(E),并且瞬时根据点过程在 E 中产生新粒子。这些后代的构型由随机计数测度描述,Z(A) = ∑_{i=1}^N δ_{x_i}(A),其中 A 为 E 的 Borel 集。上述点过程的分布可以依赖于 x(亲代的死亡点),记为 P_x,相应期望算子记为 E_x。我们假设 sup_{x∈E} E_x[N] < +∞。分支事件的信息捕获在所称的分支机制中:
G[f](x) := β(x) E_x[∏_{i=1}^N f(x_i) - f(x)],? x ∈ E, f ∈ B_1^+(E),
其中 B_1^+(E) 表示 E 上被 1 界住的非负可测函数集合。特别地,BMP 被称为“局部”的,如果所有后代都位于亲代的死亡点。此时,分支机制简化为 G[s](x) = β(x)(∑_{k=0}^{+∞} p_k(x) s^k - s),x ∈ E, s ∈ [0,1],其中 {p_k(x) : k ≥ 0} 是亲代在位点 x ∈ E 分支时的后代分布。不失一般性,我们假设对所有 x ∈ E 有 P_x(N=1)=0,将具有一个后代的分支事件视为空间运动中的额外跳跃。
设 N(E) 为 E 上有限计数测度的空间。如果时刻 t 的粒子构型表示为 {x_1(t), ?, x_{N_t}(t)},则过程在尚未灭绝或爆炸的事件上,BMP 可描述为坐标过程 X ∶= (X_t)_{t≥0},其中
X_t(?) := ∑_{i=1}^{N_t} δ_{x_i(t)}(?),t ≥ 0,
演化于 N(E) 中。特别地,X 是 N(E) 中的 Markov 过程,其概率记为 P := {P_μ : μ ∈ N(E)}。此后,我们将此过程称为 (P_t, G)-BMP。略带滥用记号,我们也用相同的记号 P_μ 表示相应的期望算子。
值得注意的是,分支事件和运动定义中的独立性意味着,如果我们定义
e^{-Ut f}(x) := P_{δ_x}[e^{-?f, X_t?}],? t ≥ 0, x ∈ E, f ∈ B_+(E),
则对于 μ ∈ N(E),有 P_μ[e^{-?f, X_t?}] = e^{-?Ut f, μ?}。此外,对于 f ∈ B_+(E), t ≥ 0 和 x ∈ E,
e^{-Ut f}(x) = P_t(e^{-f})(x) + ∫_0^t P_s(G[e^{-U_{t-s} f}])(x) ds。
为推导上述等式,只需对第一次分支事件拆分期望并应用半群积分方程的标准推理,参见 [20, Chapter 8]。
超过程作为测值过程的重要一类,产生于分支 Markov 过程的短寿命高密度极限。存在大量关于具有所谓局部分支机制的超过程的文献,如 [32], [33], [34], [35]。近年来,研究已扩展至非局部分支机制的更一般框架,如 [21], [32], [36], [37] 及其参考文献所示。我们在本小节引入非局部超过程的定义,并以 [32] 作为标准参考。
设 M(E) 为 E 上配备弱拓扑的有限 Borel 测度空间。考虑具有空间运动 ξ 和非局部分支机制 ψ 的超过程 X ∶= (X_t)_{t≥0},其中
ψ(x, f) := a(x) f(x) + b(x) f(x)2 - η(x, f) + ∫_{M_0(E)} (e^{-ν(f)} - 1 + ν({x}) f(x)) H(x, dν),? x ∈ E, f ∈ B_+(E),
其中 a ∈ B_b(E),b ∈ B_+(E),η(x, dy) 是 E 上的有界核,(ν(1) ∧ ν(1)2 + ν_x(1)) H(x, dν) 是从 E 到 M_0(E) := M(E) ? {0} 的有界核,ν_x(dy) 定义为 ν_x(A) ∶= ν(A ? {x}),对所有 A ∈ B(E)。具体而言,X 是 M(E)-值的 Markov 过程,概率为 P := {P_μ : μ ∈ M(E)},满足对每个 f ∈ B_b^+(E) 和 μ ∈ M(E),
P_μ[e^{-?f, X_t?}] = e^{-?V_t f, μ?},
其中 V_t f(x) := -log P_{δ_x}[e^{-?f, X_t?}] 是积分方程
V_t f(x) = P_t f(x) - Π_x[∫_0^t ψ(ξ_s, V_{t-s} f) ds]
的唯一非负局部有界解。这里相同的记号 P_μ 也用于表示相应的期望算子。“局部有界”意指对所有 T ∈ (0, +∞),sup_{x∈E, t∈[0,T]} |V_t f(x)| < +∞。这样的过程在 [32] 中通过其对数 Laplace 泛函定义,称为 (P_t, ψ)-超过程。(1.3) 中给出的分支机制相当一般。例如,设
ψ_L(x, r) := a(x) r + b(x) r2 + ∫_{(0,+∞)} (e^{-ru} - 1 + ru) π(x, du),x ∈ E, r ≥ 0,
ψ_NL(x, f) := -η(x, f) + ∫_{M_0(E)} (e^{-ν(f)} - 1) Γ(x, dν),x ∈ E, f ∈ B_+(E),
其中 b, η 如 (1.3) 中所述,a ∈ B_b(E),(u ∧ u2) π(x, du) 是从 E 到 (0, +∞) 的有界核,ν(1) Γ(x, dν) 是从 E 到 M_0(E) 的有界核。则 (x, f) ? ψ_L(x, f(x)) + ψ_NL(x, f) 是一种可表示为 (1.3) 形式的分支机制,其中 a(x) = a(x) - ∫_{M_0(E)} ν({x}) Γ(x, dν) 和 H(x, dν) = Γ(x, dν) + ∫_{(0,+∞)} δ_r δ_x(dν) π(x, dr)。此类分支机制称为可分解的,局部部分为 ψ_L,非局部部分为 ψ_NL。特别地,如果非局部部分等于 0,我们称该分支机制为纯局部的。我们强调,本文考虑的分支机制允许非局部且不可分解。
由 [32, Theorem 5.13],(P_t, ψ)-超过程 X 在 M(E) 中具有 Borel 右实现。我们记 W_0^+ 为从 [0, +∞) 到 M(E) 的 càdlàg 路径空间,以零为陷阱。这里我们假设 X 是 W_0^+ 中的坐标过程。
以下,(X, P) 取为 (P_t, G)-BMP 或 (P_t, ψ)-超过程,(F_t)_{t∈[0,∞]} 是由该过程生成的滤子,并用所有初值测度 μ 下 P_μ-可忽略可测集类完成。
定义均值半群为
T_t f(x) := P_{δ_x}[?f, X_t?],? x ∈ E, f ∈ B_b(E), t ≥ 0。
如果 (X, P) 是 (P_t, G)-BMP(分别 (P_t, ψ)-超过程),则由 [20, Lemma 8.1](分别 [32, Proposition 2.27]),
P_μ[?f, X_t?] = ?T_t f, μ?,? μ ∈ N(E)(分别 ? μ ∈ M(E))。
此外,在 BMP 设定下,T_t f(x) 是积分方程
T_t f(x) = P_t f(x) - Π_x[∫_0^t β(ξ_s) T_{t-s} f(ξ_s) ds] + Π_x[∫_0^t m[T_{t-s} f](ξ_s) ds]
的唯一局部有界解,其中 m[f](x) := β(x) E_x[∑_{i=1}^N f(x_i)],而在超过程设定下,
T_t f(x) = P_t f(x) - Π_x[∫_0^t a(ξ_s) T_{t-s} f(ξ_s) ds] + Π_x[∫_0^t m[T_{t-s} f](ξ_s) ds],
其中 m[f](x) := η(x, f) + ∫_{M_0(E)} ν_x(f) H(x, dν)。这些积分方程通过对 BMP 的非线性半群方程 (1.2) 和超过程的 (1.5) 求导得到。利用上述方程和 Gronwall 不等式,可以容易地证明存在常数 c_0 > 0 使得
||T_t f||_∞ ≤ e^{c_0 t} ||f||_∞,? t ≥ 0, f ∈ B_b(E)。
全文中我们施加以下基本假设:
- (H1) 存在特征值 λ_1 > 0,相应的正有界函数 φ 和有限左特征测度 φ?,满足归一化 ?φ, φ?? = 1,使得对于 f ∈ B_b^+(E), μ ∈ M(E) 和 t ≥ 0,
?T_t φ, μ? = e^{λ_1 t} ?φ, μ?
?T_t f, φ?? = e^{λ_1 t} ?f, φ??。
此外,定义
?_t := sup_{x∈E, f∈B_1^+(E)} |e^{-λ_1 t} T_t f(x) - ?f, φ?? φ(x)|,? t ≥ 0。
我们假设 lim_{t→+∞} t^ρ ?_t = 0,对某个 ρ > 1/2。
- (H2) 如果 (X, P) 是 (P_t, G)-BMP,则 sup_{x∈E} E_x[N^4] < +∞;如果 (X, P) 是 (P_t, ψ)-超过程,则 sup_{x∈E} ∫_{ν(1)>1} ν(1)^4 H(x, dν) < +∞。
- (H3) 如果 (X, P) 是 (P_t, ψ)-超过程,我们额外假设算子 f ? ψ(?, f) 和 f ? -af + m[f] 保持 C_b^ξ(E) 不变。这里 C_b^ξ(E) 表示 E 上相对于 ξ 精细连续的有界可测函数空间。
让我们对这些假设作一些说明。
您好!我注意到您提交的内容是一篇关于**空间分支过程(spatial branching processes)**的数学论文片段,包含多个假设(H1)–(H3)、定理 1.5、1.6、1.8 以及若干注记和例子。内容涉及 Perron–Fr?benius 型假设、主特征值、鞅的收敛与迭代对数律(LIL)、矩条件等。
不过,这段内容并没有附带具体的提问或任务说明。如果您希望我协助,请告诉我具体需求,例如:
- **翻译**:将这段英文翻译成中文
- **摘要/总结**:概括论文的主要假设与定理
- **讲解**:解释定理 1.6 中三种情形(Reλ < λ?/2、= λ?/2、> λ?/2)的含义与区别
- **核对**:检查数学表述、符号或引理的一致性
- **扩展讨论**:讨论该结果与多类型分支过程、Biggins 鞅等已有文献的关系
请告诉我您希望如何处理这段内容,我会据此为您提供帮助。
主特征对 $(\lambda_1, \varphi_1)$ 被选取为正的,并满足归一化条件 $\int_E \varphi_1^2 \, dm = 1$。此外,平均半群 $T_t$ 在以下意义下具有内在超压缩性:存在一族正对称函数 $\{p_t(x,y): t > 0\}$ 定义在 $E \times E$ 上,使得
$$T_t f(x) = \int_E p_t(x,y) f(y) \, m(dy), \quad \forall\, t > 0,\, x \in E,\, f \in B^+(E),$$
且存在 $c_1, c_2 > 0$ 使得
$$\left|e^{-\lambda_1 t} p_t(x,y) \varphi_1(x) \varphi_1(y) - 1\right| \leq c_1 e^{-c_2 t}, \quad \forall\, (t, x, y) \in (1, +\infty) \times E \times E.$$
显然,(1.7) 中的恒等式在 $\varphi = \varphi_1$ 和 $\tilde{\varphi} = \varphi_1 m$ 的情况下成立。然而,[28] 中的假设并不保证 $\tilde{\varphi}$ 是有限测度。为使 $(\mathrm{H1})$ 成立,我们额外假设 $\tilde{\varphi}$ 确为有限测度。这一附加条件在 $m$ 是 $E$ 上的有限测度时便得到满足。在此设定下,由 (1.16) 可知,对所有 $x \in E$,$t > 1$ 和 $f \in B^1_+(E)$,有
$$\left|e^{-\lambda_1 t} T_t f(x) - \varphi_1(x) \int_E f(y) \varphi_1(y) \, m(dy)\right| \leq \|\varphi_1\|_\infty \int_E \left|e^{-\lambda_1 t} p_t(x,y) \varphi_1(x) \varphi_1(y) - 1\right| \cdot f(y) \varphi_1(y) \, m(dy) \leq c_1 \|\varphi_1\|_\infty e^{-c_2 t} \int_E \varphi_1(y) \, m(dy).$$
因此,$(\mathrm{H1})$ 中的 (1.8) 也得到满足。在此设定下,[28] 中的定理 2.1–2.6 作为我们的定理 1.8 应用于形如 $f = \sum_{k=1}^m a_k \varphi_k$(其中 $m \in \mathbb{N}$,$a_k \in \mathbb{R}$)的试验函数的特例而成立。对于超过程,我们未能找到任何可比较的结果。我们认为我们的结果是文献中同类工作的首次出现。
本文其余部分分为三节。第2节给出一些预备性的收敛结果。在第2.1节中,我们首先研究鞅方差的大时间行为,然后建立空间分支过程的大数定律。在第2.2节中,我们建立了鞅差 $W_{t+s}(\lambda, g) - W_t(\lambda, g)$ 当 $t$ 趋于无穷大时的几乎必然收敛结果,如命题2.3所述。其证明包含两个主要步骤:第一步是证明沿格点时刻的收敛(引理2.4)。证明的关键在于对归一化鞅差的分布与标准正态分布之间最大差异的精炼估计。在引理2.4的证明中,读者将看到我们在超过程和BMP上所采用方法之间的根本差异。这是由于我们获得所需估计的方式不同所致。对于BMP,由分支性质可写 $X_{t+s} = \sum_{i=1}^{N_{t,1}} X_{s(i),t}$,其中 $X_{s(i),t}$ 表示从时刻 $t$ 存活的第 $i$ 个粒子出发的BMP。因此,条件于 $X_t$,$W_{t+s}(\lambda, g) - W_t(\lambda, g)$ 可视为有限个独立随机变量之和,这使我们能够使用 Berry–Esseen 界。在超过程的情形下,不存在这样的粒子表示。我们转而使用对数拉普拉斯泛函的 Lévy–Khintchine 型表示,并利用引理2.6来度量归一化鞅差的分布与标准正态分布之间的接近程度。第二步是将极限从格点时刻推广到连续时间。这通过 Asmussen 和 Hering 的鞅不等式实现,见下文 (2.14)。
第3节包含定理1.5和1.6的证明。如将所见,不仅定理1.6中的归一化和极限在 $\mathrm{Re}\,\lambda < \lambda_1/2$、$\mathrm{Re}\,\lambda = \lambda_1/2$ 和 $\mathrm{Re}\,\lambda > \lambda_1/2$ 三种情形下不同,其证明方法也各异。$\mathrm{Re}\,\lambda < \lambda_1/2$ 和 $\mathrm{Re}\,\lambda > \lambda_1/2$ 两种情形的证明——两者均严重依赖命题2.3——分别在第3.1节和3.3节给出。本质上,定理1.6的 (i) 和 (iii) 可通过在命题2.3中令 $s \to +\infty$ 得到。但在临界情形($\mathrm{Re}\,\lambda = \lambda_1/2$)下,这种方法失效,因为归一化序列 $W_{t+s}(\lambda, g) - W_t(\lambda, g)$ 的上极限随 $s$ 的增大而趋于无界。在此情形下,我们使用附录中的引理A.3来替代命题2.3。该引理直接由 Stout 的 Kolmogorov 上下极限定理的鞅版本得出,该定理指出,在某些条件下,鞅 $(M_n, \mathcal{H}_n)_{n \geq 1}$ 的上极限当 $n \to +\infty$ 时表现为 $2 s_n \sqrt{2 \log \log s_n^2}$,其中 $s_n^2 = \sum_{k=1}^n E[(M_n - M_{n-1})^2 \mid \mathcal{H}_{n-1}]$。更具体地,通过计算临界鞅 $\mathrm{Re}\, W_{n_\sigma}(\lambda, g)$ 的条件方差,我们得到
$$\sum_{k=1}^n \mathbf{P}_{\delta_x}\left[(\mathrm{Re}\, W_{n_\sigma}(\lambda, g) - \mathrm{Re}\, W_{(n-1)_\sigma}(\lambda, g))^2 \mid \mathcal{F}_{(n-1)_\sigma}\right] \sim c n_\sigma W_\infty \varphi_a, \quad n \to +\infty,$$
其中 $c > 0$ 用空间分支过程的二阶矩泛函表示。将此与引理A.3结合意味着 $\mathrm{Re}\, W_{n_\sigma}(\lambda, g)$ 的上极限表现为 $2c W_\infty \varphi n_\sigma \sqrt{\log \log n}$,这正是引理3.3中给出的结果。在此基础上,我们只需将极限从格点时刻推广到连续时间即可完成定理1.6在临界情形下的证明。
第4节包含定理1.8的证明。主要思想如下。对于 $h = \sum_{j=1}^m g_j \in \hat{\mathcal{T}}$ 和 $s, t \geq 0$,写
$$\mathrm{Re}\left(\langle h, X_{t+s}\rangle - \sum_{\mathrm{Re}(\gamma_k) > \lambda_1/2} e^{\gamma_k(t+s)} W_\infty(\gamma_k, g_k)\right) = \mathrm{Re}\left(\left\langle \sum_{\mathrm{Re}(\gamma_k) \neq \lambda_1/2} g_k, X_{t+s}\right\rangle - \left\langle \sum_{\mathrm{Re}(\gamma_k) < \lambda_1/2} T_s g_k, X_t\right\rangle - \sum_{\mathrm{Re}(\gamma_k) > \lambda_1/2} e^{\gamma_k(t+s)} W_\infty(\gamma_k, g_k)\right) + \mathrm{Re}\left(\sum_{\mathrm{Re}(\gamma_k) = \lambda_1/2} \langle g_k, X_{t+s}\rangle\right) + \mathrm{Re}\left(\left\langle \sum_{\mathrm{Re}(\gamma_k) < \lambda_1/2} T_s g_k, X_t\right\rangle\right) = N^C_h(s,t) + C^C_h(s+t) + D_h(s,t).$$
此处 $N^C$ 代表"非临界组合",$C^C$ 代表"临界组合",$D$ 代表"差"。第一步是建立 $N^C_h(s,t)$ 当 $t$ 趋于无穷大时的上下极限定理(LIL)。这通过命题4.3完成,其证明方式与命题2.3类似。第二步是证明
$$\limsup_{t \to +\infty} \frac{e^{-\lambda_1 t/2} C^C_h(t)}{t \sqrt{\log \log t}}$$
等于定理1.8(ii)中的期望极限。为此,首先在命题4.5中建立临界和 $\sum_{\mathrm{Re}(\gamma_k) = \lambda_1/2} W_t(\gamma_k, g_k)$ 的LIL。其次,基于恒等式
$$e^{-\lambda_1 t/2} C^C_h(t) = \mathrm{Re}\left(\sum_{\mathrm{Re}(\gamma_k) = \lambda_1/2} e^{it\,\mathrm{Im}(\gamma_k)} W_t(\gamma_k, g_k)\right),$$
我们在命题4.6中证明了 $e^{-\lambda_1 t/2} C^C_h(t)$ 的上极限表现为 $\mathrm{Re}\left(\sum_{\mathrm{Re}(\gamma_k) = \lambda_1/2} W_t(\gamma_k, g_k)\right)$ 的上极限。关键之处在于选取一个递增的时间序列 $\{t_n\}$ 满足 $e^{it_n \mathrm{Im}(\gamma_k)} \approx 1$。正是在此我们引入了 Syndetic 序列的定义,并运用动力系统理论中的 [48, 定理1.21]。第三步也是最后一步是证明当 $t$ 和 $s$ 均充分大时 $D_h(s,t)$ 变得可以忽略不计。
证明中所需的一些辅助结果在附录中给出。
**第2节 某些低阶收敛结果**
在全文中,我们假设 $(X, \mathbf{P})$ 是满足 $(\mathrm{H1})$ 和 $(\mathrm{H2})$ 的 $(P_t, \mathbf{G})$-BMP,或是满足 $(\mathrm{H1})$–$(\mathrm{H3})$ 的 $(P_t, \psi)$-超过程。我们用 $P_{X_s}[F(X_t)]$ 作为 $P_{X_s}[F(\tilde{X}_t)] = P_\mu[F(X_{t+s}) \mid \mathcal{F}_s]$ 的简写,其中 $\tilde{X}$ 是从随机初始状态 $X_s$ 出发的该过程的独立副本。$\mathrm{Var}_{X_s}[F(X_t)]$ 也采用相同约定。我们进一步假设 $(\lambda, g)$ 是关于平均半群 $T_t$ 的特征对,并设 $c \doteq \mathrm{Re}\,\lambda$。
$E$ 上的一列函数 $\{f_n: n \geq 1\}$ 被称为收敛……
**定理1.5和1.6的证明**
回忆 $(\lambda, g)$ 是特征对且 $c = \mathrm{Re}\,\lambda$。在本节中,我们研究鞅 $W_t(\lambda, g)$ 的几乎必然行为。我们表明存在三个区域,即 $c < \lambda_1/2$、$c = \lambda_1/2$ 和 $c > \lambda_1/2$,每个区域导致不同的极限行为。
**定理1.8的证明**
在本节中,我们固定任意 $h = \sum_{k=1}^m g_k \in \hat{\mathcal{T}}$。回忆第1.5节末尾所记,
$$\mathrm{Re}\left(\langle h, X_{t+s}\rangle - \sum_{\mathrm{Re}(\gamma_k) > \lambda_1/2} e^{\gamma_k(t+s)} W_\infty(\gamma_k, g_k)\right)$$
可分解为三项之和:非临界组合 $N^C_h(s,t)$、临界组合 $C^C_h(s+t)$ 和余项 $D_h(s,t)$。有了这一分解,定理1.8的证明分三步进行。首先,我们建立 $N^C_h(s,t)$ 当 $t \to +\infty$ 时的LIL,归一化因子为 $e^{-\lambda_1 t/2} / \sqrt{2 \log t}$。这直接由 Haojie Hou|Ting Yang 得出。