双随机狄里克莱级数

研究了双随机Dirichlet级数f(s,ω)=∑^∞n=1anXne^-λn^s在{Xn}独立不同分布并满足lim/n→∞E|Xn|＞0，supn≥1E|Xn|^p＜∞，（p＞1）等条件时的收敛性和增长性，得到了比较好的结果。     

双随机Dirichlet级数的收敛性和增长性

文章研究系数{Xn}满足∑n=0^＋∞P{｜Xn｜≥n^p}〈＋∞，∑n=0^＋∞P{n^p｜Xn｜≥c}=＋∞（任意〉0）及指数在条件limλn/Eλn=1下的双随机Diriehlet级数的收敛性和增长性。     

一类非标准随机游动的渐近结果

考虑独立随机变量的和Sn=X1 … Xn(S0=0),其中Xn,n≥2具有相同的分布F(x),x∈[-∞, ∞]及负的均值,X1具有分布G(x).在次指数型分布的条件下,我们得到了Sn的最大值分布的尾渐近估计。     

多维正态随机变量的几个性质

设（X1，…Xn)和（ε1，…εn)分别是n维正态和n维标准正态随机变量，研究了（X1，…Xn)与（ε1，…εn)以及E（X1|X2,|…，Xn)与（X2，…，Xn)的关系，并且讨论把EПi=1^n,Xi表示成EXiYi的问题。     

随机级数∑n=1^∞Xn（ω）fn（x）的收敛性

运用简化原理,得到了对称随机级数∑n=1^∞Xn（ω）fn（x）若在Lω^2中a．s．收敛或Cesaro有界,则它关于dω^-（x）几乎必然几乎处处收敛的结果,并给出一反例,说明这个结果的逆是不正确的．然后研究了在一般的情况下,当随机系数{Xn}满足“A↓n〉0,EXn=0,aE1/2｜Xn｜^2≤E｜Xn｜〈∞”的条件下,该级数收敛的充分必要条件．     

强相依平稳正态序列最大值和最小值的联合极限分布

设X1,X2,…是标准化的平稳正态序列,Mn=1≤i≤n/max X1,mn=1≤i≤n/min Xi,Pn=EX1Xn＋1 Rn=Mn-mn,Sn=i=1/∑/nXi·在Pn和（Pnlogn）^-1都单调趋于0的条件下,得到Mn和mn的联合极限分布,同时也得到Rn的极限分布。并给出了Mn,mn和Sn三者的联合极限分布．     

可和方式的强大数定律

设{X,Xn,n≥0}是独立同分布的随机变量序列,给出两种可和方式A（X,t)=∑^∞n=0t^nXn及C（X,n,β）=∑^ni=0(β-1n-i)Xi(β≥1)的Marcinkiewcz-Zygmand强大数定律成立的充分必要条件。     

同分布的两两NQD序列部分和之和的强大数定律

主要研究同分布两两NQD随机变量序列{Xn,n∈N}部分和之和Tn=∑i=1 n Si（其中Sn=∑i=1 n Xi）的强大数定律,通过给出几个等价的条件,建立了强大数定律,获得了与I．I．D列情形相类似的结论．     

强相依平稳正态序列最大值和最小值的联合极限分布

设X1，X2，…是标准化的平稳正态序列，Mn=maxISiSnXi,mn=minXiISiSn,Pn=EX1Xn＋1 Rn=Mn-mn,Sn=n∑i=1Xi,在Pn和（Pnlogn）^-1都单调趋于0的条件下，得到Mn和mn的联合极限分布，同时也得到Rn的极限分布，并给出了Mn,Mn和Sn三者的联合极限分布．     

不同分布随机变量序列的M-Z型强大数律

分别考虑不同分布随机变量序列Xn,n≥1为独立,两两独立和φ-混合情形,在其尾概率被随机变量X∈Lp一致控制(即对x∈R ,supnP|Xn|≥x≤P|X|≥x,成立)的条件下,证明了Marcinkiewicz-Zygmund型强大数律,即Sn-ESn/n1/p0n∞a.s.成立.     

关于一类随机Dirichlet级数系数的重排

研究了在{Xn(),n≥0},为φ-混合序列且满足lim/n→∞E|Xn()=a>0、sup n≥0E|Xn()|q<∞(q>1)的条件下,随机Dirichlet级数sum from n=0 to ∞ anXn()e-λns系数的重排与和函数增长级的关系,得到了与非随机Dirichlet级数sum from n=`0 to ∞ ane-λns类似的结果.     

广义复合泊松风险模型的大偏差与破产时刻

进一步研究广义复合泊松风险模型的大偏差问题,其中{N（t）;t≥0}是一强度为λ〉0的泊松分布,{Xn;n≥1}是独立同分布的随机变量序列,具有共同分布F,（其中0〈μ=EX1〈∞．）{M（t）;t≥0}是一强δ〉0的泊松分布,{N（t）;t≥0},{Xn;n≥1}和{M（t）;t≥0}是相互独立的．理赔剩余过程S（t）∑i=1^N（t）Xi-cM（t）,t≥0．在F∈C上得到了一系列大偏差和破产时刻的结果,这些结果可以应用在某些金融与保险问题中．     

φ混合过程的强大数定律

研究φ混合随机变量序列{Xn}的强大数定律.在∑∞n=1φ(1)/(2)(n)＜+∞以及P(|Xn|＞x)≤P(|X|≥x),x≥an的条件下,对{xn}在n处截尾得到{X*n}.通过对{X*n}的部分和上、下界的估计,我们证明了(1)/(n)∑nk=1(X*k-EX*k)a.e.0(n→+∞),进而证明(1)/(n)∑nk=1(Xk-EXk)a.e.0(n→∞).     

NOD序列部分和的大偏差

研究了NOD随机变量部分和的大偏差,其中S(n)=∑Xi,{Xn,n≥1} from (i=1 to n)是一个NOD序列,对任意的n≥1,Xn的分布记为Fn,其均值为μn=EXn<∞.在假定F∈D的条件下,给出了F∈D上NOD序列部分和的大偏差结果.     

线性回归模型中K-d型估计研究

考虑线性回归模型Y=Xβ＋ε,E（ε）=0,Cov（ε）=σ2 I,当设计矩阵X的列存在共线性时,最小二乘估计β=（X′X）-1 X′Y的性质变坏,为此给出了有偏估计β（K,d）=（X′X＋K）-1（X′Y＋dβ）,其中K〉0为对角矩阵,ki〉0,-∞〈d〈∞为参数,讨论了这种有偏估计对Liu估计、最小二乘估计的优越性,并证明了其可容许性估计。     

无界区域上具有记忆项的半线性耗散波动方程整体吸引子的维数估计

在无界区域上考虑了如下具有线性记忆项的半线性耗散波动方程的整体吸引子的维数估计 (utt + ±ut ? k(0)á(x)￠u ?R10 k0(s)á(x)￠u(t ? s)ds + ?f(u) = h(x); (x; t) 2 RN ￡ R+; u(x; t) = u0(x; t); ut(x; 0) = @tu0(x; 0); x 2 RN; t · 0: 其中N ? 3, ± > 0, 并á(x)?1 =: g(x) 2 LN=2(RN)TL1(RN). 为了克服在无界区域中与微分算子á(x)￠的非紧性有关的困难, 引入了能量空间X0 = D1;2(RN) ￡ L2 g(RN) ￡L21(R+;D1;2(RN)). Hausdorff维数维数和分形维数的估计是根据特征方程?á(x)￠u =au; x 2 RN的特征值a 分布的渐近估计得出的.     

具有稳定子集的有限奇异变换半群的Green关系

设Xn为n元有限集,Singn为Xn上的奇异变换丰群,A为Xn中的任意非空子集,令S（Xn,A）={α∈singn：任意x∈A,xα∈A},则S（Xn,A）是singn的一个子半群。刘划了该半群的Green关系,Green＊关系及一些简单性质。     

有限对称逆半群的类A子半群

设In是集Xn={1,2,…,n）上的对称逆半群,设σ包含于Xn×Xn且σ={（n,n-1）,…,（3,2）,（2,1））,令Iσ={α∈In： x,y∈dom α,（x,y）∈σ=〉（xa,ya）∈σ）∪{Φ},在此证得Iσ是In的一个类A子半群,进一步研究了Lσ的Green＊关系．     

平面上随机微分方程的一个极限定理

考虑平面上的随机微分方程 {dXn（z）=fn（z,Xn（z））dz＋gn（z,Xn（z））dw（z） z∈R＋^2/δR＋^2 Xn（z）=Φn（z） z∈δR＋^2 讨论当系数和边界过程fn,gn,Φn分别趋于f,g,Φ时,对应解的收敛性。