B值平稳线性过程的迭对数律及随机指标中心极限定理

设 { εt;t∈Z}是独立同分布的 B值随机元序列 ,aj;j∈ Z是一实数序列 ,并且 ∞j=-∞| aj| <∞ ,定义平稳线性过程 Xt= ∞j=-∞ajεt- j.本文研究 { Xt;t∈ IN }部分和序列的收敛性质和极限定理 ,给出了 { Xt;t∈ IN }满足有界迭对数律、紧迭对数律及随机指标中心极限定理的充分条件     

一个连续时间非平稳随机过程下的核密度估计的最优收敛速度

设{Xt,t≥0}为定义在R^d上的随机过程，它由模型Xt=zt Φ(Yt) εt确定，{Yt}和{εt}相互独立，而zt为非随机变量，对于连续观察的样本，本文给出了非参数密度核估计极其在均方意义下的最优收敛速度，并讨论了非随机项运动形式对此速度的影响。     

Estimation and Testing for the Parameters of AR（p）-ARCH（q） under Ordered Restriction

Suppose that the time series Xt satisfies{Xt=β1Xt-1… βpXt-p εt,εt=ξtht^1/2,ht=α0 α1εt-1^2… αqεt-q^2,(1)     

线性过程误差下概率密度函数核估计的均方相合性

设{Xt,t≥1}为一单边线性平稳过程序列,具有共同的未知密度函数f(x),本文定义通常的f(x)的核估计,在适当条件下,证明了其均方相合性.     

基于0-1序列的正态自回归建模方法

<正> §1.引言 设{z_t}是一个零均值平稳正态AR(p)随机序列,即 z_t=φ_(p1)z_(t-1)+φ_(p2)z_(t-2)+…+φ_(pp)z_(t-p)+a_t, t=0,±1,…,(1.1)其中{a_t}是 N(0,σ_a~2)的正态白噪声,φ(B)= 1-sum from k=1 to p(φ_(pk)B~k的根都在单位圆外.众所周知,对(1.1)中的参数φ_(pk),k=1,…,p和σ_a~2,可以利用解Toeplitz方程     

The precise asymptotics of the complete convergence for moving average processes of <Emphasis Type="Italic">m</Emphasis>-dependent <Emphasis Type="Italic">B</Emphasis>-valued elements

Let {εt;t ∈ Z} be a sequence of m-dependent B-valued random elements with mean zeros and finite second moment. {a3;j ∈ Z} is a sequence of real numbers satisfying ∑j=-∞^∞｜aj｜ 〈 ∞. Define a moving average process Xt = ∑j=-∞^∞aj＋tEj,t ≥ 1, and Sn = ∑t=1^n Xt,n ≥ 1. In this article, by using the weak convergence theorem of { Sn/√ n _〉 1}, we study the precise asymptotics of the complete convergence for the sequence {Xt; t ∈ N}.     

STRONG APPROXIMATION FOR MOVING AVERAGE PROCESSES UNDER DEPENDENCE ASSUMPTIONS

Let {Xt,t ≥ 1} be a moving average process defined by Xt = ∑^∞ k=0 αkξt-k, where {αk,k ≥ 0} is a sequence of real numbers and {ξt,-∞ 〈 t 〈 ∞} is a doubly infinite sequence of strictly stationary dependent random variables. Under the conditions of {αk, k ≥ 0} which entail that {Xt, t ≥ 1} is either a long memory process or a linear process, the strong approximation of {Xt, t ≥ 1} to a Gaussian process is studied. Finally, the results are applied to obtain the strong approximation of a long memory process to a fractional Brownian motion and the laws of the iterated logarithm for moving average processes.     

重尾平稳序列的大偏差

本文给出了一类重尾的随机变量序列{Xn,n≥1}的部分和Sn=∑i=1 n Xi与随机和S(t)=∑i=1^N(t) Xi的大偏差结果其中{N(t),t≥)}是一族非负整值的随机变量，{Xn,n≥1}是非负的平稳过程，并且与{N(t),t≥0}独立。本文将独立同分布情形的结果掖到了平稳相依的情形。     

双重时序模型的高阶矩结构

为建立双重时序AR-MA模型的矩估计，除了需要模型平稳解序列的二阶矩结构[10]外，还需要建立平稳解序列的高阶矩结构[2]．设｛Xt｝为AR（1）－MA（q）模型的4阶平稳解序列．木文部分地证明了。｛X~2_t｝的相关结构为某一ARMA（3q，3q—1）型，这为．建立模型参数的矩估计创造了条件.     

左删失数据下ARMA(p,q)模型的估计

在观测数据左删失情形下由K—M估计方法得到,严平稳遍历序列{Xt}的均值和自协方差函数的估计,从而获得ARMA（p,q）模型的参数估计,且所给估计量是强相合估计．     

Dirichlet级数和随机Dirichlet级数的下级增长性

本文研究了全平面上零级和有限级Dirichlet级数及随机Dirichlet级数的下级增长性.利用型函数,得到了其系数和增长性之间的关系,以及当随机变量序列{X_n(ω)}满足一定条件时,零级和有限级随机Dirichlet级数在全平面上所确定的随机整函数在每条水平直线上的下级增长性几乎必然与相应的随机Dirichlet级数的下级增长性相同.     

半平面上零级Dirichlet级数和随机Dirichlet级数的增长性

本文研究了半平面上零级Dirichlet级数的增长性和正规增长性.利用型函数,得到了其系数与增长性之间关系的两个充要条件,并证明了当随机变量序列{Xn(ω)}满足一定条件时,零级随机Dirichlet级数的增长性几乎必然与其在每条水平直线上的增长性相同.     

Dirichlet级数系数的重排

本文研究了Dirichlet级数系数的重排与此级数的收敛横坐标的关系.利用Knopp-Kojima的方法,获得了在Knopp-Kojima公式下绝对收敛横坐标保持不变的重排特征.     

直交多項式級数的求和

<正> 1.設φ_o(x),φ_1(x),…是区間(a,b)上之一系列的就范直交函数,孟孝夫証明:当級数∑(a_n log log_n)~2收斂时,直交函数級数 a_oφ_o(x)+a_1φ_1(x)+…+a_nφ_n(x)+…(1)在{φ_o(x)}的直交区間中,几乎到处可用正阶蔡查罗(Cesaro)求和法——(C,a)求和法,a>0——求和.当a=1时,这个定理还有波尔根(Borgen)和卡契馬尔茲(Karczmarz)     

THE DISTRIBUTION OF VALUES OF TAYLOR SERIES

Clarify some classical results and their proofs on the distribution of values of simple Taylor series and extend them to multiple Taylor series.     

无限级Dirichlet级数及随机Dirichlet级数

主要研究全平面上无限级Ｄｉｒｉｃｈｌｅｔ级数及随机Ｄｉｒｉｃｈｌｅｔ级数的增长性．对于 Ｄｉｒｉｃｈｌｅｔ级数,研究了它的增长性和正则增长性,得到了它的系数和指数与增长级的两 个充要条件．对于随机Ｄｉｒｉｃｈｌｅｔ级数,证明了它的增长性几乎必然与其在每条水平直线 上的增长性相同．     

关于Taylor级数的增长性

关于Ｔａｙｌｏｒ级数的增长性高宗升（河南师范大学数学系，新乡４５３００２）孙道椿（武汉大学数学系，武汉４３００７２）国家自然科学基金资助项目．１９９１年８月６日收到．一、引言Ｔａｙｌｏｒ级数的系数和增长级之间的关系，是一个十分重要的问题．Ｖａｌｉｒｏ...     

當若阿-富理埃級數的係數

<正> 不能用蔡查羅(Cesaro)的平均法求它的和;這是哈戴和立篤耳武德老早指出過的,他們的解析是依靠着(?)函數的理論。 其後,鐵起馬虛用初等的方法作成如下的實例:     

关于ARMA序列协方差矩阵的逆

本文用矩阵方法导出ＡＲＭＡ（ｐ，ｑ）序列协方差阵的逆的一种表达式，由它可以较快计算平方和函数及其偏导数，还可以求得初值为零的条件平方和函数的误差。     

變敍的項的共同分佈的極限

<正> 合X為一隨機变數,其分佈律為F(x).今對X作n次相互獨立的觀察,便得n個值,把這n個值依其大小順序排列為